OpenAI 的长度调整在 HealthBench Professional 上，每偏离 2,000 字符 500 字符，就会使每个任务的分数变动 1.47 分；在 HealthBench 上则变动 2.99 分。Claude Opus 5.5（max with fallback）拥有最高的 HealthBench Professional 原始分数（71.4%），但其平均回答长度约为 5,900 字符，使其降至第六名（59.9%）。在 HealthBench 上，Gemini 4 Argon（high）损失最多（11 分），从原始分数第六名（60.0%）跌至第 13 名（49.1%），其回答平均约为 3,800 字符
OpenAI 的长度调整在 HealthBench Professional 上，每偏离 2,000 字符 500 字符，就会使每个任务的分数变动 1.47 分……
OpenAI 的长度调整在 HealthBench Professional 上，每偏离 2,000 字符 500 字符，就会使每个任务的分数变动 1.47 分；在 HealthBench 上则变动 2.99 分。Claude Opus 5.5（max with fallback）拥有最高的 HealthBench Professional 原始分数（71.4%），但其平均回答长度约为 5,900 字符，使其降至第六名（59.9%）。
Artificial Analysis · X
内容说明
原始发布及相关权利归来源方。
机器翻译 · 请以原文为准