Sur HealthBench Professional, les scores bruts sur les conversations de red teaming vont de 30 % (DeepSeek V4.1 Flash (max)) à 65 % (GPT-6 Astra (max)), contre 63 % à 79 % sur les conversations de bonne foi. Claude Fable 5.1 (max with fallback) obtient le score le plus élevé sur les conversations de bonne foi (79 %) mais 53 % en red teaming. Claude Haiku 5.5 (max) obtient le score le plus élevé sur les tâches de rédaction (77 %)
Sur HealthBench Professional, les scores bruts sur les conversations de red teaming vont de 30 % (DeepSeek V4.1 Flash (max)) à 65 % (GPT-6…
Sur HealthBench Professional, les scores bruts sur les conversations de red teaming vont de 30 % (DeepSeek V4.1 Flash (max)) à 65 % (GPT-6 Astra (max)), contre 63 % à 79 % sur les conversations de bonne foi. Claude Fable 5.1 (max with fallback) obtient le score le plus élevé sur les conversations de bonne foi (79 %) mais 53 % en red teaming.
Artificial Analysis · X
À propos du contenu
La publication originale et les droits appartiennent à la source.
Traduction automatique · Consultez l’original