生成的標題卡標題為「GPT-6.2 Astra 登上 Hospital-Bench 榜首」,副標題為「平均分數 62.4%,48 項任務中有 14 項乾淨完成」,並有三個佐證標籤,分別寫著「20 個模型中的第一名」、「320 床醫院、13 個系統、131 項工具」以及「Claude Opus 5.5 以 35.4% 的完整通過率領先」;頁腳則註明該結果由一家獲 YC 支持的評估機構於 2026 年 11 月 20 日發布,而 GPT-6.2 Astra 已於 2026 年 11 月 17 日推出。
Guides & Insights

GPT-6.2 Astra 在 Hospital-Bench 以 62.4% 居首:48 項任務中有 14 項零失誤

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

一份於2026年11月20日發佈到X的二十模型評測,將GPT-6.2 Astra列為Hospital-bench第一,平均分數62.4%、全通過率29.2%——四十八項任務中有十四項順利完成。Claude Fable 5.2以60.3%位居第二,G​emini 4 Neon以59.8%位居第三,而Claude Opus 5.5以55.6%的分數位居第五,卻以35.4%的全通過率領先全場,即四十八項中的十七項。Gemini 4 Argon以46.9%平均分與16.7%通過率排名第九。這些就是那些數字。這串討論沒有提供給你的,正是決定這些數字是否具有任何意義的關鍵:執行該評測的新創公司名稱,以及一份你能閱讀的方法論頁面。

那個落差值得先說明,因為這正是排行榜與基準測試之間的差別。該貼文描述一家由 Y Combinator 支持的公司,且只連結到它自己附上的圖形;短網址解析後回到該圖片,而非論文、GitHub 儲存庫或結果頁面。沒有可檢視的任務集,沒有可閱讀的評分程式碼,也沒有可比對的人類基準。因此以下全部內容,都是對一張已發表表格及其上方所印句子的解讀,且應以這種方式引用。

這些都無法讓這個結果稱得上是一次發布。O​penAI 於 2026 年 11 月 17 日推出 GPT-6.2 Astra,也就是該討論串出現的三天前,而這是該模型自那之後又登上的一個獨立排行榜。11 月 20 日的新鮮事是這個排行榜本身——Hospital-bench 此前從未公開露面,而一個包含二十個模型、並公布前十名的陣容,能以單一張圖片帶來如此大量訊號。它值得仔細閱讀而非慶功的原因在於,榜上的兩個欄位對誰勝出意見不一,而這個分歧正是頁面上最有用的資訊。

Hospital-bench 實際上衡量的是什麼

圖中的方法論說明只有一句話:「衡量 AI 代理在橫跨 13 個互連系統的環境中,執行一所設有 320 張病床之醫院的行政營運時,表現得有多好。」討論串則補充了一些細節。AI 代理獲配 131 項工具,分散於那 13 個系統,並承接 48 項任務;這些任務取自醫院的後勤行政部門,而非臨床端——事前授權、遭拒理賠、病歷紀錄申請。不涉及診斷、檢傷分類或影像檢查。被衡量的工作,是產生醫院營運所賴以運作之文書作業的工作,以及它在營收循環中輸掉的那些爭議。

這個領域選擇,比起任何關於通用智能的主張,更能解釋榜單的形態。醫院行政首先是工具選擇問題,其次才是推理問題。一次事先授權,是對付款方處方集規則的查詢、一張表格、一次提交、一次跟進和一次申訴,而這些步驟各自存在於不同的系統中,介面也各不相同。在可用工具有 131 個、多步驟任務有 48 個的情況下,代理必須檢索出正確的子集,在跨輪次時保持案件狀態清楚一致,並避免定義這項工作的特定失敗:正確完成十一個步驟,然後提交到錯誤的隊列。這樣建構的評測,會先在同一個可靠性的維度上把模型區分開來,遠早於它在聰明程度上把模型區分開來;而這正是那兩欄所顯示的。

這也意味著這些分數無法移植到其他任何事物上。一個在 Hospital-bench 領先的模型,展示了關於大規模、以工具為基礎的行政工作流程的某些東西,卻完全沒有說明它是否會寫程式、通過法律考試或進行對話。把這個排行榜解讀為一項關於代理在程序性規則下操作大型工具介面的陳述。這是一個真實且未被充分涵蓋的評估類別,而且它比「經營一家醫院」狹窄得多。

張貼出來的看板內容,從上到下

以下是完整公布的前十名,先列平均分數,再列完整通過率:

• GPT-6.2 Astra — 平均 62.4%,通過率 29.2%(48 項中 14 項)

• Claude Fable 5.2 — 平均 60.3%,通過率 29.2%(48 個中 14 個)

• G​emini 4 Neon — 平均 59.8%,通過率 31.3%(48 次中 15 次)

• GPT-6.2 Sol — 平均 57.6%,通過率 25.0%(48 次中 12 次)

• Claude Opus 5.5 — 平均 55.6%,通過率 35.4%(48 項中 17 項)

• Muse Wonder — 平均 53.6%,通過率 27.1%(48 次中 13 次)

• GPT-6.1 Sol — 平均 50.0%,通過率 12.5%(48 次中 6 次)

• Claude Sonnet 5.5 — 平均 47.7%,通過 29.2%(14/48)

• Gemini 4 Argon — 平均 46.9%,通過率 16.7%(48 次中 8 次)

• GPT-6 Astra — 平均 46.7%,通過率 8.3%(48 題中通過 4 題)

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%.

在對那份清單做任何解讀之前,有兩個結構性事實。第一,這個領域有二十個模型,卻只顯示十個,所以下半部是看不見的——而在通過率才是有趣欄位的領域裡,全數失敗的模型才能告訴你最低門檻有多難。第二,從第一名到第十名的整體差距是平均分 15.7 分。在一個有48項任務且未公布變異數的基準測試上,那不是一個寬廣的頂端。那是一個有領先者在其中的聚簇。

世代排序是表格中最清晰的訊號,也是最不可能是假象的一項。GPT-6.2 Astra 以 62.4% 高出 GPT-6 Astra 的 46.7% 達 15.7 個百分點,通過率從 8.3% 升至 29.2%——順利完成的任務數躍升 3.5 倍。GPT-6.2 Sol 以 57.6% 高出 GPT-6.1 Sol 的 50.0% 達 7.6 個百分點,其通過率從 12.5% 倍增至 25.0%。無論這個基準測量的是什麼,它測量到的都是某種在兩個 O​penAI 系列中都跨世代變動的東西,方向相同,幅度遠超出捨入誤差。

為什麼通過率欄位更重要

平均分數是所有四十八項任務在部分給分下的平均值。通過率則是智慧代理完全完成任務所占的比例。這兩者衡量的是不同事物的不同指標,而在這個排行榜上,兩者之間的差距極大:GPT-6.2 Astra 平均得分為 62.4%,但只完成 29.2% 的任務,這意味著平均而言,任務被評為約三分之二正確,但完成的比例不到三分之一。這正是智慧代理的典型特徵:把工作流程的大部分做對,卻在某個步驟失手。

在大多數基準測試中,這種區別只是學術上的;但在醫院行政裡,它就是整個產品的關鍵。事前授權用正確的代碼送出,卻進了錯誤的付款人佇列,在部分給分上得分不錯,卻產生拒付理賠。病歷調閱請求彙整了正確的文件集,卻漏掉揭露紀錄登錄,就成了合規查核缺失。這個領域的任務設計成最後一步才是關鍵,這意味著通過率欄位比平均分數更接近於衡量代理是否可被託付這套工作流程,而這正是幾乎沒有人引用的欄位。

它也是統計支持最少的一欄。四十八個任務是小的分母。一個任務相當於 2.08 個百分點的通過率,因此 Claude Fable 5.2 與 GPT-6.2 Astra 之間的差異——兩者均為 29.2%,且均為十四個任務——為零,而 G​emini 4 Neon 在十五個任務與兩位領先者在十四個任務之間的差異是一個任務。三個模型之間僅以四十八個任務中的一個任務相隔。將前三名視為在完成數上並列,僅在平均值上有所區別,而差距為 2.1 與 0.5 個百分點,同樣脆弱。

Opus 5.5 在關鍵之處搶先達陣

Claude Opus 5.5 正是這張表刻意凸顯的模型。它的平均分數以 55.6% 排名第五——落後領先者 6.8 分,差距並不小——並以 35.4% 的全數通過率排名第一,四十八項中通過十七項,領先下一個模型三個任務。榜上沒有其他模型的排名會像這樣反轉。Claude Sonnet 5.5 也有類似情況,但較為輕微:分數排名第八,通過數並列第三。Gemini 4 Argon 則相反:分數排名第九,通過數也排名第九,至少還算一致。

三項任務的差距不算大,這點值得直說:四十八項中的十七比十四,一項有歧義的任務就可能抹掉這個差距,而且並未公布信賴區間。但在榜上的兩個 Anthropic 模型之間,方向是一致的,且指向一個真實的取捨。Opus 5.5 似乎每項任務要花更多回合與更多工具呼叫才能達到完成狀態,這提升了它的完成率,也壓低了它的平均分。Astra 則以較少的乾淨完成次數達到更高的平均分。如果你採購代理程式是為了某種工作流程,而在該流程中,半完成的申請比緩慢完成更糟,那麼排名第五的模型是更好的選擇,而再多的平均分排名都不會告訴你這件事。

還有一種較不為基準測試增光的解讀。模型可以藉由拒絕嘗試它很可能失敗的任務,或提早終止並給出評分器視為完整的部分答案,來提高其通過率。若沒有任務層級的輸出——該討論串並未公布——就無法區分「完成更多它開始的任務」與「完成較少它被交付的任務」。表格支持第一種解讀,但無法排除第二種。

131 個工具每項任務的成本是多少

Hospital-bench 是一項執行成本高昂的評估,反覆執行也同樣所費不貲,而該討論串完全沒有公布任何成本數字。一百三十一個工具定義,在代理採取任何單一行動之前,就已構成一大段系統提示;橫跨二十個模型、四十八項多步驟任務,代表大量輸入 token 與大量回合。你根據 token 價格計算出的任何每項任務成本都會是下限,而非估算值,因為它會漏掉代理式迴圈自行產生的檢索、重試與失敗的工具呼叫。

• 平均得分 — GPT-6.2 Astra 62.4% 對上 Gemini 4 Argon 46.9%

• 全程通過率 — {{1}}Astra{{/1}} 29.2% 對比 {{2}}Argon{{/2}} 16.7%

• 每 100 萬的輸入價格 — Argon $2.00 對比 Astra $8.00

• 每 1M 輸出價格 — Argon $10.00 對比 Astra $40.00

• 納入範圍的工具 — 131,看板上每個模型皆相同

• 每項任務成本 — 評估者未公布

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.

把這兩個區塊對照起來看,有意思的數字並不是 15.5 個百分點的平均差距,而是 Argon 在兩個方向上的成本都只有 Astra 的四分之一,卻能乾淨完成的任務數略超過 Astra 的一半;這使得儘管兩者價格相差 4 倍,兩個模型在每完成一項任務的成本上仍落在彼此的兩倍以內。這比排行榜所顯示的接近得多,而這種計算只能用自己的工作負載來做,因為這個比例完全取決於你的任務多常提早結束。

這正是路由層發揮價值、而非只是裝飾的地方。OrcaRouter 以 0% 加價直接傳遞供應商標價,因此上述的 $8 和 $40 就是您每百萬個 token 實際支付的價格,而不是在供應商費率上再疊加平台利潤;而且由於這種直通是即時生效的,任一模型若供應商降價,您帳單在公告當天就會反映出來。自動容錯移轉在這裡比在聊天工作負載上更重要:一場針對 131 個工具、包含四十八項任務的代理式活動,總會在某處碰到速率限制;而一條能在執行中途切換至第二個模型、而非中途失敗的路由,其價值勝過平均分數提高一分。

坦白說:截至 11 月 20 日,GPT-6.2 Astra 並未列在我們的型錄中。我們提供的 O​penAI 模型有 GPT-6 Astra,在此排行榜上的得分為 46.7% 與 8.3%;以及 GPT-6 Sol 系列,其中 GPT-6.2 Sol 的得分為 57.6% 與 25.0%。Gemini 4 Argon 可用 2 美元與 10 美元的價格進行路由。在 Astra 於此處推出前,我們型錄中最接近此表頂端的模型是 GPT-6.2 Sol,而勝過前一代 O​penAI 的最便宜模型是 Argon。

什麼會改變這個讀數?

四件事,大致依它們能多大程度改變全局來排序。第一是方法論頁面。一個公布其任務集、評分規則與執行日誌的基準,是可以被討論質疑的;只公布一張前十名圖像的基準則不然。表格上方那一句話承擔了極大的作用,而本文中的每一項主張都受它限制。

第二個是缺少的那十個模型。評估了二十個,卻只展示了十個;而在部分給分會拉高平均分的領域裡,墊底的模型才是校準這項任務的關鍵。如果第十一名的模型平均為 45%、通過率為 6%,那榜單就是一段連續分佈。如果它是 44% 和 2%,那榜單就是一道斷崖,前十名是唯一真能做這項工作的模型。

第三個是人類基準。Hospital-bench 並未公布人類分數,而少了這個數字,買家真正唯一在意的問題就無從回答:35.4% 的完成率到底算不算好。一位醫療帳務專員若使用同樣的 131 項工具、面對 48 項任務,就能讓這張表有可衡量的尺度。但它沒有。

第四點是第二次執行。這個模型才推出四天,而這次評估只是單一評測活動;具有長工具鏈的代理式基準測試,其每次執行間的變異比單次評估更大——而這正是第一與第二名之間 2.1 分的差距所無法吸收的變異。如果 Astra 與 Fable 5.2 三次都呈現相同的排名順序,那領先就是真實的。只出現一次,那就只是排行榜上的一筆紀錄。

在四項保留意見之後仍然成立的結論,比該討論串的框架更狹窄,也比一概否定更有用。GPT-6.2 Astra 是在一個涵蓋二十個模型的代理式行政基準上發表的最佳模型,其領先幅度在完成率上落在雜訊範圍內,在平均分上則超出雜訊範圍。真正難以輕描淡寫帶過的是跨世代躍升——相較於 GPT-6 Astra,平均得分提高 15.7 分,乾淨完成率提升 3.5 倍,而且是在一個沒有理由偏袒任何一家廠商的排行榜上。這是一項關於工具接地行政工作的真實結果,由一個目前還沒有人能查核的評測者發表,時間就在該模型發布四天後。這句話的兩個部分必須並置而談。

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'.

本文中的比較1

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新