
GPT-6.2 Astra dẫn đầu Hospital-Bench với 62,4%: 14 trong số 48 nhiệm vụ đạt kết quả sạch
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 184 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 675 tok/s
- AlibabaMỚIQwen: Qwen4 Max2026-11-16$1.50 / $4.50 trên 1 triệu token · 385 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
Một đánh giá trên hai mươi mô hình được đăng lên X vào ngày 20 tháng 11 năm 2026 xếp GPT-6.2 Astra ở vị trí đầu tiên trên Hospital-bench với điểm trung bình 62,4% và tỷ lệ đạt trọn vẹn 29,2% — mười bốn trong số bốn mươi tám tác vụ được hoàn thành sạch sẽ. Claude Fable 5.2 đứng thứ hai với 60,3%, Gemini 4 Neon thứ ba với 59,8%, và Claude Opus 5.5 đứng thứ năm về điểm số với 55,6% nhưng dẫn đầu toàn bộ nhóm về số lượt đạt trọn vẹn với 35,4%, tức mười bảy trong bốn mươi tám. Gemini 4 Argon kết thúc ở vị trí thứ chín với điểm trung bình 46,9% và tỷ lệ đạt 16,7%. Đó là những con số. Điều mà chuỗi bài viết không đưa cho bạn lại chính là thứ quyết định xem những con số đó có ý nghĩa hay không: tên của startup đã thực hiện đánh giá, và một trang phương pháp luận mà bạn có thể đọc.
Điều đáng nói là khoảng trống đó cần được gọi tên trước bất cứ điều gì khác, vì nó là khác biệt giữa một bảng xếp hạng và một benchmark. Bài đăng mô tả một công ty được Y Combinator hậu thuẫn và chỉ liên kết đến hình ảnh đính kèm của chính nó; trình rút gọn liên kết phân giải ngược về hình ảnh, không phải về một bài báo, một kho lưu trữ GitHub hay một trang kết quả. Không có bộ tác vụ nào để kiểm tra, không có mã tính điểm để đọc, không có đường cơ sở của con người để so sánh. Do đó, mọi thứ dưới đây là việc đọc một bảng đã công bố và câu được in phía trên nó, và nó nên được trích dẫn theo cách đó.
Không có gì trong số đó biến kết quả thành một sự ra mắt. OpenAI đã phát hành GPT-6.2 Astra vào ngày 17 tháng 11 năm 2026, ba ngày trước khi luồng thảo luận được đăng, và đây là một bảng độc lập khác mà mô hình đã xuất hiện kể từ đó. Điều mới vào ngày 20 tháng 11 là chính cái bảng này — Hospital-bench chưa từng xuất hiện công khai trước đó, và một dàn hai mươi mô hình với top 10 được công bố là một lượng tín hiệu lớn đến trong một hình ảnh. Lý do nó đáng được đọc kỹ thay vì chỉ là một màn ăn mừng là hai cột trên đó không đồng ý với nhau về việc ai đã thắng, và sự bất đồng đó là thứ hữu ích nhất trên trang.
Hospital-bench thực sự đo lường điều gì
Dòng phương pháp luận trong đồ họa là một câu duy nhất: "Đo lường mức độ các tác nhân AI thực hiện các hoạt động hành chính của một bệnh viện 320 giường trên 13 hệ thống được kết nối." Chuỗi thảo luận bổ sung thêm một chút. Các tác nhân được giao 131 công cụ trải rộng khắp mười ba hệ thống đó và 48 nhiệm vụ lấy từ bộ phận hành chính hậu cần của bệnh viện chứ không phải mảng lâm sàng — phê duyệt trước, yêu cầu thanh toán bị từ chối, yêu cầu cung cấp hồ sơ. Không chẩn đoán, không phân loại ưu tiên, không chẩn đoán hình ảnh. Công việc được đo lường chính là công việc tạo ra khối giấy tờ mà bệnh viện dựa vào để vận hành, và những cuộc chiến trong chu kỳ doanh thu mà bệnh viện thua.
Việc chọn lĩnh vực đó giải thích hình dạng của bảng xếp hạng nhiều hơn bất kỳ tuyên bố nào về trí tuệ tổng quát. Quản lý bệnh viện là một bài toán chọn công cụ trước khi là một bài toán lập luận. Phê duyệt trước là một thao tác tra cứu dựa trên quy tắc danh mục của đơn vị chi trả, một biểu mẫu, một lần gửi, một lần theo dõi và một lần kháng nghị, và mỗi bước trong số đó nằm trong một hệ thống khác nhau với giao diện khác nhau. Với 131 công cụ có sẵn và bốn mươi tám tác vụ nhiều bước, một tác nhân phải truy xuất đúng tập con, giữ trạng thái hồ sơ nhất quán qua các lượt, và tránh kiểu thất bại cụ thể đặc trưng cho công việc này: làm đúng mười một bước rồi gửi vào sai hàng đợi. Một bài đánh giá được xây dựng như vậy sẽ phân tách các mô hình theo độ tin cậy rất lâu trước khi phân tách chúng theo sự thông minh, và đó chính xác là điều hai cột cho thấy.
Điều đó cũng có nghĩa là điểm số không thể chuyển sang bất kỳ thứ gì khác. Một mô hình dẫn đầu Hospital-bench đã chứng minh được điều gì đó về các quy trình hành chính dựa trên công cụ ở quy mô lớn, và hoàn toàn không chứng minh được gì về việc liệu nó có thể viết mã, vượt qua một kỳ thi pháp lý hay duy trì một cuộc trò chuyện hay không. Hãy đọc bảng xếp hạng như một phát biểu về các tác nhân vận hành một bề mặt công cụ lớn dưới các quy tắc thủ tục. Đó là một hạng mục đánh giá có thật và còn ít được phục vụ, và nó hẹp hơn "vận hành một bệnh viện."
Bảng như đã đăng, từ trên xuống dưới.
Dưới đây là top mười đầy đủ đã được công bố, điểm trung bình đứng trước và tỷ lệ đạt hoàn toàn đứng sau:
• GPT-6.2 Astra — trung bình 62.4%, đạt 29.2% (14/48)
• Claude Fable 5.2 — trung bình 60,3%, tỷ lệ đạt 29,2% (14/48)
• Gemini 4 Neon — trung bình 59,8%, tỷ lệ đạt 31,3% (15/48)
• GPT-6.2 Sol — trung bình 57,6%, đạt 25,0% (12 trên 48)
• Claude Opus 5.5 — trung bình 55.6%, đạt 35.4% (17 trên 48)
• Muse Wonder — trung bình 53,6%, đạt 27,1% (13 trên 48)
• GPT-6.1 Sol — trung bình 50,0%, tỷ lệ đạt 12,5% (6/48)
• Claude Sonnet 5.5 — trung bình 47.7%, đạt 29.2% (14/48)
• Gemini 4 Argon — trung bình 46,9%, đạt 16,7% (8/48)
• GPT-6 Astra — trung bình 46,7%, tỷ lệ đạt 8,3% (4 trên 48)

Hai dữ kiện cấu trúc về danh sách đó trước mọi diễn giải. Thứ nhất là danh sách này sâu tới hai mươi mô hình và chỉ có mười mô hình được hiển thị, nên nửa dưới là vô hình — và trong một lĩnh vực mà tỷ lệ đạt là cột đáng quan tâm, những mô hình thất bại mọi thứ lại chính là những mô hình cho bạn biết mức sàn khó đến đâu. Thứ hai là toàn bộ khoảng trải từ hạng nhất đến hạng mười là 15,7 điểm của điểm trung bình. Trên một bộ đánh giá có bốn mươi tám tác vụ và không công bố phương sai, đó không phải là một đỉnh rộng. Đó là một cụm có một mô hình dẫn đầu bên trong.
Thứ tự theo thế hệ là tín hiệu rõ ràng nhất trong bảng và cũng là tín hiệu khó có khả năng chỉ là hiện tượng giả tạo nhất. GPT-6.2 Astra với 62,4% cao hơn GPT-6 Astra với 46,7% tới 15,7 điểm, và tỷ lệ vượt qua tăng từ 8,3% lên 29,2% — tức mức tăng gấp 3,5 lần về số tác vụ được hoàn thành một cách trọn vẹn. GPT-6.2 Sol với 57,6% cao hơn GPT-6.1 Sol với 50,0% là 7,6 điểm, với tỷ lệ vượt qua tăng gấp đôi từ 12,5% lên 25,0%. Dù bài đánh giá đang đo lường điều gì, thì nó cũng đang đo một thứ đã thay đổi giữa các thế hệ, ở cả hai dòng OpenAI, theo cùng một hướng, với độ lớn vượt xa sai số làm tròn.
Tại sao cột tỷ lệ đạt lại quan trọng hơn
Điểm trung bình là mức trung bình trên tất cả bốn mươi tám tác vụ với điểm từng phần. Tỷ lệ đạt là phần tác vụ mà tác nhân hoàn thành trọn vẹn. Đó là những phép đo khác nhau cho những thứ khác nhau, và khoảng cách giữa chúng trên bảng này là rất lớn: GPT-6.2 Astra đạt trung bình 62,4% nhưng chỉ hoàn thành 29,2% số tác vụ, nghĩa là tác vụ trung bình được chấm đúng khoảng hai phần ba trong khi chưa đến một phần ba được hoàn thành. Đó là dấu hiệu đặc trưng của một tác nhân làm đúng phần lớn một quy trình rồi đánh mất nó ở một bước.
Trong hầu hết các benchmark, sự khác biệt này chỉ mang tính học thuật. Trong quản lý bệnh viện, nó là toàn bộ vấn đề. Một yêu cầu phê duyệt trước được gửi với đúng mã đến sai hàng đợi của bên thanh toán vẫn đạt điểm cao về điểm từng phần và tạo ra một yêu cầu bồi thường bị từ chối. Một yêu cầu hồ sơ tập hợp đúng bộ tài liệu mà thiếu mục nhật ký tiết lộ là một phát hiện về tuân thủ. Các tác vụ trong lĩnh vực này được xây dựng sao cho bước cuối cùng mới là bước quan trọng, nghĩa là cột tỷ lệ đạt gần với thước đo việc tác nhân có đáng tin cậy với quy trình hay không hơn là điểm trung bình, và đó là cột gần như không ai trích dẫn.
Đây cũng là cột có cơ sở thống kê yếu nhất. Bốn mươi tám nhiệm vụ là một mẫu số nhỏ. Một nhiệm vụ tương ứng 2,08 điểm phần trăm tỷ lệ đậu, vì vậy chênh lệch giữa Claude Fable 5.2 và GPT-6.2 Astra — cả hai đều ở 29,2%, đều đạt mười bốn nhiệm vụ — bằng không, và chênh lệch giữa Gemini 4 Neon với mười lăm nhiệm vụ và hai mô hình dẫn đầu với mười bốn nhiệm vụ là một nhiệm vụ. Ba mô hình chỉ cách nhau đúng một nhiệm vụ trong tổng số bốn mươi tám. Hãy coi ba mô hình dẫn đầu là ngang bằng về mức hoàn thành và chỉ khác nhau ở giá trị trung bình, nơi các khoảng cách là 2,1 và 0,5 điểm và đều mong manh như nhau.
Opus 5.5 về nhất ở những điểm quan trọng.
Claude Opus 5.5 là mô hình mà bảng này được lập ra để làm lộ rõ. Nó xếp thứ năm về điểm trung bình với 55,6% — kém người dẫn đầu 6,8 điểm, một khoảng cách không hề nhỏ — và đứng đầu về tỷ lệ đạt đầy đủ với 35,4%, tức mười bảy trên bốn mươi tám, hơn mô hình kế tiếp ba bài. Không mô hình nào khác trên bảng đảo ngược thứ hạng của mình theo cách đó. Claude Sonnet 5.5 cũng vậy nhưng ở mức nhẹ hơn: thứ tám về điểm và đồng hạng ba về tỷ lệ đạt đầy đủ. Gemini 4 Argon thì ngược lại, thứ chín về điểm và thứ chín về tỷ lệ đạt đầy đủ, ít nhất là nhất quán.
Ba nhiệm vụ không phải là một khoảng cách lớn, và đáng nói thẳng: {{1}}mười bảy so với mười bốn trên bốn mươi tám là mức chênh lệch mà một nhiệm vụ mơ hồ duy nhất có thể xóa sạch, và không có khoảng tin cậy nào được công bố{{/1}}. Nhưng hướng đi này nhất quán giữa hai mô hình Anthropic trên bảng, và nó chỉ ra một sự đánh đổi thực sự. {{2}}Opus 5.5 dường như đang dùng nhiều lượt hơn và nhiều lệnh gọi công cụ hơn cho mỗi nhiệm vụ để đạt trạng thái hoàn thành, điều này làm tăng tỷ lệ hoàn thành và đặt trần cho mức trung bình của nó. Astra đạt mức trung bình cao hơn với ít lần hoàn thành sạch hơn.{{/2}} Nếu bạn đang mua một tác nhân cho quy trình làm việc nơi một yêu cầu hoàn thành dở dang còn tệ hơn một yêu cầu chậm, thì mô hình đứng thứ năm là lựa chọn mua tốt hơn, và không mức xếp hạng điểm trung bình nào có thể cho bạn biết điều đó.
Có một cách lý giải thứ hai, kém tâng bốc hơn đối với benchmark. Một mô hình có thể tăng tỷ lệ đạt bằng cách không thử làm những nhiệm vụ mà nó có khả năng thất bại, hoặc kết thúc sớm với một câu trả lời một phần mà bộ chấm điểm coi là hoàn chỉnh. Không có đầu ra ở cấp nhiệm vụ — thứ mà luồng thảo luận không công bố — thì không có cách nào phân biệt "hoàn thành nhiều hơn những gì nó bắt đầu" với "hoàn thành ít hơn những gì nó được giao." Bảng này ủng hộ cách lý giải thứ nhất. Nó không thể loại trừ cách thứ hai.
Chi phí cho mỗi tác vụ của 131 công cụ là bao nhiêu
Hospital-bench là một đánh giá tốn kém để chạy và cũng tốn kém khi chạy lặp lại, và chủ đề không công bố bất kỳ con số chi phí nào. Một trăm ba mươi mốt định nghĩa công cụ là một lời nhắc hệ thống lớn trước khi tác nhân thực hiện một hành động nào; bốn mươi tám tác vụ nhiều bước trên hai mươi mô hình là rất nhiều token đầu vào và rất nhiều lượt. Bất kỳ chi phí mỗi tác vụ nào bạn tính từ giá token sẽ là mức sàn, không phải ước tính, vì nó sẽ bỏ sót việc truy xuất, các lần thử lại và các lệnh gọi công cụ thất bại mà một vòng lặp tác nhân tự tạo ra.
• Điểm trung bình — GPT-6.2 Astra 62,4% so với Gemini 4 Argon 46,9%
• Tỷ lệ đạt toàn bộ — Astra 29.2% so với Argon 16.7%
• Giá đầu vào mỗi 1M — Argon $2.00 so với Astra $8.00
• Giá đầu ra mỗi 1M — Argon $10.00 so với Astra $40.00
• Các công cụ trong phạm vi — 131, giống hệt nhau cho mọi mô hình trên bảng
• Chi phí cho mỗi nhiệm vụ — không được đơn vị đánh giá công bố

Đọc hai khối đó đối chiếu với nhau và con số thú vị không phải là khoảng cách trung bình 15,5 điểm. Mà là Argon có chi phí bằng một phần tư Astra ở cả hai chiều và hoàn thành sạch sẽ chỉ hơn một nửa số tác vụ, điều này đặt hai mô hình trong phạm vi chênh lệch gấp đôi nhau về chi phí trên mỗi tác vụ hoàn thành dù chênh lệch giá gấp 4 lần. Đó là một đánh giá sát nút hơn nhiều so với những gì bảng xếp hạng gợi ý, và đó là kiểu tính toán bạn chỉ có thể thực hiện trên khối lượng công việc của riêng mình, vì tỷ lệ này phụ thuộc hoàn toàn vào tần suất các tác vụ của bạn kết thúc sớm.
Đây là nơi một lớp định tuyến chứng minh được giá trị của mình chứ không chỉ để trang trí. OrcaRouter chuyển tiếp nguyên giá niêm yết của nhà cung cấp với mức chênh lệch 0%, vì vậy mức $8 và $40 ở trên là số tiền bạn phải trả trên mỗi triệu token, chứ không phải giá của nhà cung cấp cộng thêm biên lợi nhuận nền tảng — và vì việc chuyển tiếp giá được cập nhật trực tiếp, nếu nhà cung cấp giảm giá một trong hai mô hình thì hóa đơn của bạn sẽ phản ánh ngay trong cùng ngày công bố. Chuyển đổi dự phòng tự động ở đây quan trọng hơn so với một khối lượng công việc trò chuyện: một chiến dịch agentic gồm bốn mươi tám tác vụ chạy với 131 công cụ sẽ chạm giới hạn tốc độ ở đâu đó, và một tuyến chuyển sang mô hình thứ hai thay vì chết giữa chừng đáng giá hơn một điểm trong điểm số trung bình.
Cần nói rõ ràng: GPT-6.2 Astra không có trong danh mục của chúng tôi tính đến ngày 20 tháng 11. Các mô hình OpenAI mà chúng tôi cung cấp là GPT-6 Astra, đạt 46,7% và 8,3% trên bảng này, và dòng GPT-6 Sol, trong đó GPT-6.2 Sol đạt 57,6% và 25,0%. Gemini 4 Argon có thể định tuyến với giá $2 và $10. Cho đến khi Astra có mặt tại đây, mô hình trong danh mục của chúng tôi gần vị trí đầu bảng này nhất là GPT-6.2 Sol, và mô hình rẻ nhất vượt qua thế hệ OpenAI trước đó là Argon.
Điều gì sẽ thay đổi cách đọc này?
Bốn điều, đại khái theo thứ tự mức độ chúng sẽ làm thay đổi bức tranh tổng thể. Đầu tiên là một trang phương pháp luận. Một bộ chuẩn đánh giá công bố bộ nhiệm vụ, quy tắc chấm điểm và nhật ký chạy của nó thì có thể bị phản biện; một bộ chỉ công bố một hình ảnh top mười thì không. Câu duy nhất phía trên bảng đang gánh một khối lượng công việc khổng lồ, và mọi khẳng định trong bài viết này đều bị giới hạn bởi nó.
Mười mô hình còn thiếu là mô hình thứ hai. Hai mươi mô hình đã được đánh giá và mười mô hình đã được hiển thị, và trong một lĩnh vực mà điểm một phần làm phồng giá trị trung bình, những mô hình ở đáy bảng mới là những mô hình giúp hiệu chỉnh nhiệm vụ. Nếu mô hình xếp thứ mười một có giá trị trung bình 45% và tỷ lệ đạt 6%, thì bảng xếp hạng là một dải phân tán. Nếu nó ở mức 44% và 2%, bảng xếp hạng là một vách đá, và mười mô hình đứng đầu là những mô hình duy nhất có thể làm được công việc này.
Điều thứ ba là đường cơ sở con người. Hospital-bench không công bố con số của con người, và nếu không có con số đó thì không có câu trả lời cho câu hỏi duy nhất mà người mua thực sự quan tâm, đó là liệu tỷ lệ hoàn thành 35.4% có tốt hay không. Một chuyên viên thanh toán y tế với cùng 131 công cụ và bốn mươi tám nhiệm vụ sẽ tạo cho bảng này một thang đo. Bảng này không có thang đo nào.
Điều thứ tư là một lần chạy thứ hai. Mô hình mới ra đời được bốn ngày và đánh giá chỉ là một chiến dịch duy nhất, mà các benchmark agentic với chuỗi công cụ dài có phương sai giữa các lần chạy lớn hơn so với đánh giá một lần — đúng là loại phương sai mà khoảng cách 2,1 điểm giữa lần thứ nhất và thứ hai không thể hấp thụ. Nếu Astra và Fable 5.2 giữ nguyên thứ tự ba lần, vị trí dẫn đầu là thật. Chỉ một lần thì đó chỉ là một mục trên bảng xếp hạng.
Điều còn lại sau cả bốn lưu ý thì hẹp hơn cách đặt vấn đề của chuỗi thảo luận và hữu ích hơn một sự gạt bỏ. GPT-6.2 Astra là mô hình tốt nhất được công bố trên một bài kiểm chuẩn quản trị tác tử gồm 20 mô hình, với khoảng cách nằm trong mức nhiễu ở chỉ số hoàn thành và vượt ngoài mức nhiễu ở điểm trung bình. Cú nhảy thế hệ là phần khó giải thích cho qua — 15,7 điểm điểm trung bình và cải thiện gấp 3,5 lần ở các lần hoàn thành sạch so với GPT-6 Astra, trên một bảng xếp hạng không có lý do gì để ưu ái một nhà cung cấp nào. Đó là một kết quả thực sự về công việc hành chính dựa trên công cụ, được công bố bởi một đơn vị đánh giá mà chưa ai có thể kiểm chứng, bốn ngày sau khi mô hình được phát hành. Cả hai vế của câu đó đều phải được nói cùng lúc.

So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
