L’ajustement de longueur d’OpenAI modifie le score de chaque tâche de 1.47 point pour chaque tranche de 500 caractères au-dessus ou en…

L’ajustement de longueur d’OpenAI modifie le score de chaque tâche de 1.47 point pour chaque tranche de 500 caractères au-dessus ou en dessous de 2,000 sur HealthBench Professional, et de 2.99 points sur HealthBench. Claude Opus 5.5 (max with fallback) obtient le score brut le plus élevé sur HealthBench Professional (71.4 %) mais ses réponses atteignent en moyenne ~5,900 caractères, ce qui le fait chuter à la sixième place (59.9 %). Sur HealthBench, Gemini 4 Argon (high) perd le plus (11 points), passant de la sixième place au score brut (60.0 %) à la 13e (49.1 %), avec des réponses atteignant en moyenne ~3,800 caractères