在 MLCR-AA 和 HealthBench Professional 上，Anthropic 模型给出的答案最完整，但 OpenAI 模型更准确且更简洁
我们比较了 14 个在两个榜单上均有成绩的模型：MLCR-AA——我们为 @wisedocsai 的 Medical Long Context Reasoning 基准设立的排行榜，以及 @OpenAI 的 HealthBench Professional。MLCR-AA 对关于长篇医疗记录的答案从完整性（覆盖专家答案的每一个要点）和准确性（没有与记录相矛盾的主张）两方面评分，其总分要求两者兼备。HealthBench Professional 依据医生撰写的评分细则对面向临床医生的回答进行评分：原始得分是获得的评分要点占比，而长度调整得分则会惩罚较长的回答。
主要结论：
➤ Anthropic 模型在完整性和原始得分上领先：来自 @AnthropicAI 的 Claude Sonnet 5.5、Opus 5.5 和 Fable 5.1（均为 max with fallback）占据 MLCR-AA 完整性得分前三名，比最好的 OpenAI 模型高出约 19-23 分，且 Opus 和 Sonnet 拿下 HealthBench Professional 最高的原始得分（71.4% 和 70.8%），略高于 GPT-6 Astra（69.7%）
➤ OpenAI 模型在准确性和简洁性上领先：OpenAI 模型占据 MLCR-AA 准确性得分榜首。较长的答案更难被判为准确，因为每一句额外的主张都是一次与记录相矛盾的机会：Anthropic 模型每个答案的篇幅约为 OpenAI 模型的 4-6 倍，准确性得分在 19-61% 之间，而 OpenAI 模型为 89-97%
➤ 在同时奖励两者的得分上差距缩小：GPT-6 Astra（max）与 Claude Sonnet 5.5 在 MLCR-AA 上并列第1，并在 HealthBench Professional 长度调整得分上小幅领先，而 Claude Opus 5.5 从原始得分的第1跌至长度调整得分的第6