El ajuste por longitud de OpenAI mueve la puntuación de cada tarea 1.47 puntos por cada 500 caracteres por encima o por debajo de 2,000 en…

El ajuste por longitud de OpenAI mueve la puntuación de cada tarea 1.47 puntos por cada 500 caracteres por encima o por debajo de 2,000 en HealthBench Professional, y 2.99 puntos en HealthBench. Claude Opus 5.5 (max con fallback) tiene la puntuación bruta más alta en HealthBench Professional (71.4%), pero promedia ~5,900 caracteres, lo que lo baja al sexto lugar (59.9%). En HealthBench, Gemini 4 Argon (high) es el que más pierde (11 puntos), cayendo del sexto lugar en puntuación bruta (60.0%) al 13.º (49.1%), con respuestas que promedian ~3,800 caracteres