Los modelos de Anthropic lideran en completitud: alcanzan la conclusión del experto con el razonamiento médico correcto, demostrando conocimiento médico y capacidad de razonamiento.
Una respuesta es completa cuando cubre cada punto clave de la respuesta de referencia del experto que la pregunta solicita, incluyendo la conclusión y los vacíos en el historial de los que parte el razonamiento del experto. Los modelos Claude ocupan las 18 puntuaciones más altas de completitud entre todos los modelos y niveles de esfuerzo que probamos. Claude Sonnet 5.5 (max with fallback) lidera con 64.8%, seguido de Claude Opus 5.5 (max with fallback) con 63.3% y Claude Fable 5.1 (max with fallback) con 61.1%. El mejor modelo no perteneciente a Anthropic es GPT-6 Astra (max) con 42.2%.
Los modelos de Anthropic lideran en completitud: alcanzan la conclusión del experto con el razonamiento médico correcto, demostrando…
Los modelos de Anthropic lideran en completitud: alcanzan la conclusión del experto con el razonamiento médico correcto, demostrando conocimiento médico y capacidad de razonamiento. Una respuesta es completa cuando cubre cada punto clave de la respuesta de referencia del experto que la pregunta solicita, incluyendo la conclusión y los vacíos en el historial de los que parte el razonamiento del experto.
Artificial Analysis · X
Notas sobre el contenido
La publicación original y los derechos pertenecen a la fuente.
Traducción automática · Consulte el original