@ArtificialAnlys · X / FxEmbed

在HealthBench Professional上，红队测试对话的原始得分范围从30%（DeepSeek V4.1 Flash (max)）到65%（GPT-6 Astra (max)）……

在HealthBench Professional上，红队测试对话的原始得分范围从30%（DeepSeek V4.1 Flash (max)）到65%（GPT-6 Astra (max)），而善意对话的得分范围为63%到79%。Claude Fable 5.1 (max with fallback)在善意对话中得分最高（79%），但在红队测试中得分为53%。