AI 评测与排行榜，分别告诉你什么
分清评测基准、一次评测运行与排行榜，用它们回答各自适合的问题。
LLM Stats
HealthBench Hard
A challenging variation of HealthBench that evaluates large language models' performance and safety in healthcare through 5,000 multi-turn conversations with particularly rigorous evaluation criteria validated by 262 physicians from 60 countries
评测信息与证据
- 来源
- LLM Stats
- 发布者
- 未收录
- 评测发布日期
- 未收录
- 采集日期
- 2026-08-17
- 模态
- text
本站保留来源报告的结果，不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期；不同运行条件不能直接合并为统一排名。
原始资料
报告成绩 9
按来源中的观察顺序展示，顺序不代表排名。日期保留原始精度。
| 模型 | 数值 | 单位 | 协议 | 报告日期与口径 | 来源 |
|---|---|---|---|---|---|
| Muse Spark | 0.428 | 未收录 | 未收录 | 2026-04-08 · model_announcement | LLM Stats |
| GPT-5.6 Sol | 0.331 | 未收录 | 未收录 | 2026-07-09 · model_announcement | LLM Stats |
| GPT-5.6 Terra | 0.327 | 未收录 | 未收录 | 2026-07-09 · model_announcement | LLM Stats |
| GPT-5.6 Luna | 0.32 | 未收录 | 未收录 | 2026-07-09 · model_announcement | LLM Stats |
| GPT OSS 120B | 0.3 | 未收录 | 未收录 | 2025-08-05 · model_announcement | LLM Stats |
| GPT-5.3 Chat | 0.259 | 未收录 | 未收录 | 2026-03-04 · model_announcement | LLM Stats |
| GPT-5.5 Instant | 0.229 | 未收录 | 未收录 | 2026-05-05 · model_announcement | LLM Stats |
| GPT OSS 20B | 0.108 | 未收录 | 未收录 | 2025-08-05 · model_announcement | LLM Stats |
| GPT-5 | 0.016 | 未收录 | 未收录 | 2025-08-07 · model_announcement | LLM Stats |