生成的标题卡主标题为“GPT-6.2 Astra 登顶 Hospital-Bench”,副标题为“平均得分 62.4%,48 项任务中有 14 项顺利完成”,并附有三条证据信息,分别显示“在 20 个模型中排名第一”“拥有 320 张床位的医院、13 个系统、131 项工具”和“Claude Opus 5.5 以 35.4% 的全通过率领跑”;页脚注明,该结果由一家获 YC 支持的评估机构于 2026 年 11 月 20 日发布,且 GPT-6.2 Astra 已于 2026 年 11 月 17 日上线。
Guides & Insights

GPT-6.2 Astra 以 62.4% 的成绩登顶 Hospital-Bench:48 项任务中有 14 项完美通过

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

2026年11月20日发布在X上的一项二十模型评估显示,GPT-6.2 Astra以62.4%的平均得分和29.2%的全通过率在Hospital-bench上位列第一——四十八项任务中有十四项无瑕疵完成。Claude Fable 5.2以60.3%位列第二,Gemini 4 Neon以59.8%位列第三,Claude Opus 5.5以55.6%的得分位列第五,同时以35.4%的全通过率领跑整个榜单,即四十八项任务中有十七项完全通过。Gemini 4 Argon以46.9%的平均分和16.7%的通过率位列第九。这些就是数字。这个帖子没有提供给你的,恰恰是决定这些数字是否有意义的东西:运行这项评估的初创公司的名称,以及一个可供阅读的方法论页面。

这个缺口值得首先点明,因为它正是排行榜与基准评测之间的区别。这篇帖子介绍了一家由 Y Combinator 支持的公司,却只链接到它自己附上的图片;短链接最终指向的是那张图片,而不是论文、GitHub 仓库或结果页面。没有可供检查的任务集,没有可阅读的评分代码,也没有可用来比较的人类基线。因此,下文的一切都只是对一张已发布表格及其上方印着的那句话的解读,引用时也应照此说明。

这些都不能使该结果成为一次发布。OpenAI 于 2026 年 11 月 17 日发布了 GPT-6.2 Astra,比该帖子出现早三天,而这是该模型此后登上的又一个独立榜单。11 月 20 日的新意在于榜单本身——Hospital-bench 此前从未公开露面,而一个包含二十个模型、并公布了前十名的榜单,能在单张图片中带来如此多的信号,实属大量信息。它值得仔细解读而非庆祝胜利,原因在于榜单上的两列对谁获胜存在分歧,而这种分歧正是页面上最有价值的东西。

Hospital-bench 实际衡量的是什么

图表中的方法说明只有一句话:“衡量 AI 智能体在 13 个互联系统中运行一家拥有 320 张床位的医院的行政运营表现如何。”帖子则补充了更多细节。智能体获得了分布在上述 13 个系统中的 131 件工具,以及 48 项任务;这些任务取自医院的后台部门而非临床侧——事先授权、被拒理赔、记录调阅请求。没有诊断,没有分诊,没有影像。这里衡量的工作,是生成医院赖以运转的文书的工作,也是它在收入周期中打输的那些仗。

选择这个领域,比任何关于通用智能的说法都更能解释榜单的形态。医院管理首先是一个工具选择问题,其次才是推理问题。事先授权是针对付款方处方集规则的一次查询,涉及表格、提交、跟进和申诉,而其中每一步都存在于具有不同界面的不同系统中。在可用工具达 131 个、多步骤任务有 48 个的情况下,智能体必须检索出正确的子集,在多轮交互中保持案件状态清晰一致,并避免定义这项工作的那种特定失败:正确完成十一步,然后却提交到错误的队列。以这种方式构建的评估,会早在区分模型的聪明程度之前,就先在可靠性上把模型区分开来,而这正是那两列所显示的内容。

这也意味着这些分数无法迁移到其他任何任务上。一个在 Hospital-bench 上领先的模型,只证明了它在规模化、以工具为基础的行政工作流方面具备某些能力,而对于它能否写代码、通过法律考试或进行对话,则完全没有说明。应当把这个排行榜理解为一种关于智能体在程序性规则下操作庞大工具面的陈述。这是一种真实且尚未得到充分覆盖的评测类别,而且它比“运营一家医院”要窄得多。

按张贴的看板,从上到下

以下是公布的完整前十名,先列出平均分,再列出全通过率:

• GPT-6.2 Astra — 平均 62.4%,通过率 29.2%(48 项中通过 14 项)

• Claude Fable 5.2 — 平均 60.3%,通过率 29.2%(48 项中通过 14 项)

• G​emini 4 Neon — 59.8% 均值,31.3% 通过率(48 项中 15 项)

• GPT-6.2 Sol — 平均 57.6%,通过率 25.0%(48 项中 12 项)

• Claude Opus 5.5 — 平均 55.6%,通过率 35.4%(48 项中 17 项)

• Muse Wonder — 平均 53.6%,通过率 27.1%(48 项中通过 13 项)

• GPT-6.1 Sol — 平均 50.0%,通过率 12.5%(48 项中 6 项)

• Claude Sonnet 5.5 — 平均 47.7%,通过率 29.2%(48 项中 14 项)

• Gemini 4 Argon — 平均 46.9%,通过率 16.7%(48 项中的 8 项)

• GPT-6 Astra — 平均 46.7%,通过率 8.3%(48 项中通过 4 项)

The Hospital-bench leaderboard graphic attached to the 20 November 2026 X thread, headed 'Hospital-bench' with the methodology line 'Measuring how well AI agents run the administrative operations of a 320-bed hospital across 13 connected systems', labelled 'Top 10 of 20 models' with columns 'Mean score' and 'Pass rate'. Rows read GPT-6.2 Astra 62.4% / 29.2%, Claude Fable 5.2 60.3% / 29.2%, Gemini 4 Neon 59.8% / 31.3%, GPT-6.2 Sol 57.6% / 25.0%, Claude Opus 5.5 55.6% / 35.4%, Muse Wonder 53.6% / 27.1%, GPT-6.1 Sol 50.0% / 12.5%, Claude Sonnet 5.5 47.7% / 29.2%, Gemini 4 Argon 46.9% / 16.7% and GPT-6 Astra 46.7% / 8.3%, on an axis running 0% to 100%.

关于那份列表,在作任何解读之前,有两个结构性事实。第一,这个领域有二十个模型之深,却只展示了十个,所以下半部分是不可见的——而在一个通过率才是有意思的那一列的领域里,那些什么都通不过的模型,恰恰能告诉你下限有多低。第二,从第一名到第十名的整个跨度是平均得分 15.7 分。在一个有四十八项任务、且未公布方差的基准上,这算不上一个很宽的头部。它是一个内含领先者的集群。

代际排序是表中最为清晰的信号,也是最不可能是测量假象的一项。GPT-6.2 Astra 以 62.4% 高出 GPT-6 Astra 的 46.7% 达 15.7 个百分点,通过率从 8.3% 升至 29.2%——干净完成的任务比例提升到 3.5 倍。GPT-6.2 Sol 以 57.6% 高出 GPT-6.1 Sol 的 50.0% 达 7.6 个百分点,其通过率从 12.5% 翻倍至 25.0%。无论这个基准测试衡量的是什么,它衡量的都是某种在代际之间发生了移动的东西,而且在 OpenAI 的两条产品线上都是如此,方向一致,幅度远超舍入误差。

为什么通过率这一列更重要

平均分是在全部四十八项任务上计入部分得分后的平均值。通过率是智能体完全完成的任务所占比例。二者衡量的是不同事物,而在这份榜单上,两者之间的差距极其巨大:GPT-6.2 Astra 的平均得分为 62.4%,但仅完全完成了 29.2% 的任务,这意味着平均每项任务约有三分之二被评判为正确,而完成的任务却不到三分之一。这正是这样一种智能体的典型特征:它能把一个工作流的大部分做对,却在某一步上功亏一篑。

在大多数基准测试中,这种区分只是学术层面的。在医院行政管理中,它就是整个产品的全部。一份以正确的代码提交到错误的付款方队列的事先授权,在部分得分上表现不错,却会产生被拒赔的理赔单。一个汇集了正确文件集、却漏掉披露日志条目的记录请求,就是一项合规发现。这一领域的任务被设计成最后一步才是关键,这意味着通过率这一列比平均分更接近于衡量智能体能否被放心托付该工作流,而它却是几乎没人引用的那一列。

这也是统计支撑最弱的一列。四十八个任务是很小的分母。一个任务相当于 2.08 个百分点的通过率,因此 Claude Fable 5.2 与 GPT-6.2 Astra 之间的差距为零——两者均为 29.2%,均为十四个任务——而 G​emini 4 Neon 在十五个任务与两位领先者在十四个任务之间的差距是一个任务。三个模型在四十八个任务中仅相差一个任务。应将前三名视为在完成率上并列,仅在均值上有所区分,而那里的差距为 2.1 和 0.5 个百分点,同样脆弱。

Opus 5.5 在关键之处拔得头筹

Claude Opus 5.5 正是这张表想要揭示的模型。它的平均分排名第五,为 55.6%——落后榜首 6.8 个百分点,差距并不小——而在完全通过数上排名第一,为 35.4%,即 48 项中通过 17 项,比下一名模型多出三项。榜上没有其他模型会如此颠倒自己的排名。Claude Sonnet 5.5 则轻微地呈现了这一点:得分排名第八,通过数并列第三。Gemini 4 Argon 正好相反:得分第九,通过数也第九,至少算是一致。

三个任务的差距并不算大,而且值得直说:在四十八个任务中,十七比十四的差距,一个模棱两可的任务就可能抹平,并且没有公布置信区间。但这一方向在榜单上的两个 Anthropic 模型之间是一致的,而且指向一种真实的权衡。Opus 5.5 似乎在每个任务上花费更多轮次和更多工具调用才能达到完成状态,这提高了它的完成率,也压低了它的平均分。Astra 则以更少的干净完成次数取得了更高的平均分。如果你要为这样一种工作流购买智能体:半完成的申报比完成得慢的申报更糟,那么排名第五的模型是更好的选择,而任何平均分排名都无法告诉你这一点。

还有第二种解读,它对基准不那么有利。模型可以通过拒绝尝试自己很可能失败的任务,或提前终止并给出一个被评分器视为完整的部分答案,来提高通过率。没有任务级输出——该讨论串并未公布这些输出——就无法区分“完成更多它开始的任务”和“完成更少它被赋予的任务”。表格支持第一种解读,但无法排除第二种。

131 个工具每项任务的成本是多少?

Hospital-bench 是一项运行成本高昂的评估,而且反复运行的成本也很高,而该讨论帖完全没有公布任何成本数字。一百三十一个工具定义,在智能体采取任何单个动作之前,就已经是很大的系统提示;二十个模型上的四十八个多步任务,意味着大量输入 token 和大量轮次。你根据 token 价格计算出的任何每任务成本都将是下限,而不是估计值,因为它会遗漏智能体循环自身产生的检索、重试和失败的工具调用。

• 平均分——GPT-6.2 Astra 62.4% 对 Gemini 4 Argon 46.9%

• 全通过率 — Astra 29.2% vs Argon 16.7%

• 每 100 万输入价格 — Argon $2.00 对比 Astra $8.00

• 每 100 万输出价格 — Argon $10.00 对比 Astra $40.00

• 范围内的工具 — 131,榜单上每个模型均相同

• 每项任务成本——评估者未公布

A generated three-panel comparison card titled 'What the lead costs', with panels reading 'Mean score: Astra 62.4% vs Argon 46.9%', 'Full passes: Astra 14 of 48 vs Argon 8 of 48' and 'Price per 1M: Astra $8 in / $40 out vs Argon $2 in / $10 out', over a footer noting the evaluator publishes no cost per completed task.

把这两个区块对照起来看,有意思的数字并不是 15.5 个百分点的平均差距。真正有意思的是,Argon 在输入和输出两个方向上的成本都只有 Astra 的四分之一,并且能干净完成的任务数量略高于 Astra 的一半;尽管价格相差 4 倍,这使得两个模型在每完成一个任务的成本上相差不到两倍。这比排行榜所显示的接近得多,而且这种计算只能基于你自己的工作负载来做,因为该比率完全取决于你的任务提前终止的频率。

这正是路由层体现价值、而非沦为装饰的地方。OrcaRouter 以 0% 加价率直通提供商标价,因此上面的 8 美元和 40 美元就是您每百万 token 实际支付的费用,而不是在供应商费率之上再叠加平台利润——而且由于这种直通是实时的,任一模型上的供应商降价都会在公布当天反映到您的账单上。自动故障转移在这里比在聊天类工作负载中更为重要:一场针对 131 个工具、包含 48 项任务的智能体活动总会在某处触及速率限制,而一条能切换到第二个模型、而不是在运行中途崩溃的路由,其价值超过平均分中的一分。

直说吧:截至11月20日,GPT-6.2 Astra 尚未列入我们的目录。我们提供的 O​penAI 模型是 GPT-6 Astra,它在本榜单上的得分为 46.7% 和 8.3%,以及 GPT-6 Sol 系列,其中 GPT-6.2 Sol 的得分为 57.6% 和 25.0%。Gemini 4 Argon 可按 2 美元和 10 美元的价格路由。在 Astra 于此处可用之前,我们目录中最接近此表顶部的模型是 GPT-6.2 Sol,而优于上一代 O​penAI 的最便宜模型是 Argon。

什么会改变这一解读

四件事,大致按照它们能多大程度改变整体图景的顺序排列。第一件是一个方法学页面。一个公布其任务集、评分规则和运行日志的基准测试,是可以被质疑和争论的;而一个只公布前十名图像的基准测试则不行。表格上方的那一句话承担着极其重要的作用,而本文中的每一项主张都受它约束。

第二个是缺失的十个模型。评估了二十个模型,却只展示了十个;在一个部分得分会抬高均值的领域里,排名靠后的模型才是校准任务的关键。如果第十一名的模型平均分为 45%、通过率为 6%,那么榜单就是分散的。如果它是 44% 和 2%,那么榜单就是断崖,前十名是唯一真正能完成这项工作的模型。

第三项是人类基线。Hospital-bench 没有公布人类数据,而没有这个数据,买家真正唯一关心的问题就无从回答:35.4% 的完成率到底算不算好。一位拥有同样 131 个工具、处理四十八项任务的医疗账单专员本可以为这张表提供一个尺度。但表中没有。

第四点是第二次运行。该模型才发布四天,评估也只是一轮,而带有长工具链的智能体基准,其运行间方差比单次评估更大——而首轮和第二轮之间 2.1 个百分点的差距,恰恰无法吸收这种方差。如果 Astra 和 Fable 5.2 三次都保持相同排序,那领先就是真实的。只出现一次,那不过是排行榜上的一条记录。

经得起全部四项保留意见的结论,比原帖的框定更狭窄,也比简单否定更有用。GPT-6.2 Astra 是在一个涵盖二十个模型的智能体行政基准上公布的最佳模型,其领先幅度在完成率上落在噪声范围内,在平均分上则落在噪声范围外。真正难以搪塞过去的是代际跃升——平均得分提高 15.7 分,无瑕疵完成率较 GPT-6 Astra 提升至 3.5 倍,而且是在一个没有理由偏袒任何一家厂商的榜单上。这是一个关于基于工具开展的行政工作的真实结果,由一位目前无人能够核查的评估方在模型发布四天后公布。这句话的两半必须一并说出。

A generated single-column scoreboard titled 'Hospital-bench, top of the board' with six rows reading 'GPT-6.2 Astra 62.4% mean / 29.2% pass', 'Claude Fable 5.2 60.3% / 29.2%', 'Gemini 4 Neon 59.8% / 31.3%', 'GPT-6.2 Sol 57.6% / 25.0%', 'Claude Opus 5.5 55.6% / 35.4%' and 'Gemini 4 Argon 46.9% / 16.7%', with column headers 'Mean score' and 'Pass rate' and the footer '48 tasks, 20 models evaluated, top 10 published'.

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新