En HealthBench Professional, las puntuaciones brutas en conversaciones de red teaming oscilan entre el 30% (DeepSeek V4.1 Flash (max)) y el 65% (GPT-6 Astra (max)), en comparación con el 63% al 79% en conversaciones de buena fe. Claude Fable 5.1 (max with fallback) obtiene la puntuación más alta en conversaciones de buena fe (79%) pero un 53% en red teaming. Claude Haiku 5.5 (max) obtiene la puntuación más alta en tareas de escritura (77%)
En HealthBench Professional, las puntuaciones brutas en conversaciones de red teaming oscilan entre el 30% (DeepSeek V4.1 Flash (max)) y el…
En HealthBench Professional, las puntuaciones brutas en conversaciones de red teaming oscilan entre el 30% (DeepSeek V4.1 Flash (max)) y el 65% (GPT-6 Astra (max)), en comparación con el 63% al 79% en conversaciones de buena fe. Claude Fable 5.1 (max with fallback) obtiene la puntuación más alta en conversaciones de buena fe (79%) pero un 53% en red teaming.
Artificial Analysis · X
Notas sobre el contenido
La publicación original y los derechos pertenecen a la fuente.
Traducción automática · Consulte el original