OpenAIs Längenanpassung verschiebt den Score jeder Aufgabe um 1,47 Punkte pro 500 Zeichen über oder unter 2.000 bei HealthBench…

OpenAIs Längenanpassung verschiebt den Score jeder Aufgabe um 1,47 Punkte pro 500 Zeichen über oder unter 2.000 bei HealthBench Professional und um 2,99 Punkte bei HealthBench. Claude Opus 5.5 (max with fallback) hat den höchsten Roh-Score bei HealthBench Professional (71,4 %), liegt aber im Durchschnitt bei ~5.900 Zeichen, was es auf Platz sechs (59,9 %) fallen lässt. Bei HealthBench verliert Gemini 4 Argon (high) am meisten (11 Punkte) und rutscht vom sechsten Platz beim Roh-Score (60,0 %) auf Platz 13 (49,1 %) ab, mit Antworten im Durchschnitt von ~3.800 Zeichen