Artificial Analysis 更新 MLCR-AA 医疗长上下文推理榜单，Claude Sonnet 5.5 与 GPT-6 Astra 并列第一

Artificial Analysis· @ArtificialAnlys · X·2026-10-21 23:53· 1 小时前AI 评分48

AI 导读

Artificial Analysis 更新了 Wisedocs 医疗长上下文推理基准 MLCR-AA 的提示与评分方式，Claude Sonnet 5.5（max with fallback）与 GPT-6 Astra（max）以 41.7% 并列第一。

正文 · 原文

我们已更新 MLCR-AA，这是我们针对 Wisedocs 医疗长上下文推理基准的排行榜，Claude Sonnet 5.5 与 GPT-6 Astra 目前并列第一

我们更新了 MLCR-AA 在 @wisedocsai 基准上向模型发送提示和评分的方式，以更好地反映病历审查在实践中的进行方式。现在模型以病历审查者的身份接收提示，并被要求用一个段落回答问题的每一部分，给出结论以及病历中的支持证据。答案由一个全新的三模型评审小组评分，我们还对照源病历审查了全部 60 个专家参考答案，并修订了其中 15 个。

来自 @AnthropicAI 的 Claude Sonnet 5.5（max with fallback）与来自 @OpenAI 的 GPT-6 Astra（max）以 41.7% 并列榜首，紧随其后的是 GPT-6.1 Sol（max），为 38.3%。来自 @Alibaba_Qwen 的 Qwen3.8 2.4T A95B 以 30.6% 成为领先的开源权重模型。

更新后 MLCR-AA 的关键结果：

➤ 病历审查仍远未解决：答案只有同时做到完整和准确才算通过，没有任何模型通过超过 42% 的问题，中位数模型通过率低于 15%

➤ Anthropic 模型在完整性上领先，能以正确的医学推理得出专家结论：在我们测试的所有模型和努力级别中，Claude 模型占据了完整性得分前 18 名，其中 Claude Sonnet 5.5（max with fallback）以 64.8% 居首。表现最好的非 Anthropic 模型是 GPT-6 Astra（max），为 42.2%

➤ OpenAI 模型在准确性上领先，引用病历时既不夸大也不虚构：OpenAI 模型占据了准确性得分前 27 名，其中 GPT-6.1 Sol（max）以 96.7% 居首，但完整回答的问题较少：GPT-6.1 Sol（max）在 40.0% 的问题上回答完整

我们感谢 Wisedocs 构建了 MLCR，并感谢他们在将其引入 Artificial Analysis 过程中的合作

来源：Artificial Analysis · x.com