Artificial Analysis lanza HealthBench: GPT-6 Astra lidera con un 66,0%

Artificial Analysis ha incorporado a sus rankings dos benchmarks médicos de OpenAI: HealthBench y HealthBench Professional. Ambos evalúan cómo responden los modelos en diálogos realistas sobre salud, y puntúan las respuestas con rúbricas elaboradas por médicos. En el conjunto profesional lidera GPT-6 Astra (max) con un 66,0% en la puntuación ajustada por longitud. En el HealthBench general va por delante Claude Sonnet 5.5 (max with fallback) con un 62,1%. La diferencia entre las puntuaciones brutas y las ajustadas altera de forma notable la clasificación.

Cómo están diseñadas las pruebas

HealthBench incluye 5000 diálogos con usuarios corrientes y profesionales sanitarios. Se reparten en siete temas, desde urgencias hasta salud global. Cada criterio de la rúbrica pertenece a uno de cinco ejes: precisión, exhaustividad, calidad de la comunicación, comprensión del contexto y seguimiento de instrucciones. Las respuestas las evalúa GPT-4.1.

HealthBench Professional es más reducido: 525 diálogos, todos con clínicos. Incluye consultas, tareas de redacción y trabajo de investigación, además de casos deliberadamente difíciles y adversariales. Las respuestas las juzga GPT-5.4 (low).

Artificial Analysis publica dos indicadores: la proporción bruta de puntos obtenidos y la puntuación ajustada por longitud según la metodología de OpenAI. Este ajuste penaliza las respuestas de más de 2000 caracteres y bonifica las más cortas.

HealthBench

Professional: OpenAI al frente, la longitud penaliza

En el conjunto profesional, los primeros puestos son para modelos de OpenAI. Toda la frontera de Pareto de «puntuación frente a coste por tarea» está formada también por ellos.

• GPT-6 Astra (max): 66,0%, $0,27 por tarea
• GPT-6.1 Sol (max): 65,1%, $0,047
• GPT-6 Sol (max): 62,3%, $0,036
• GPT-6 Luna (max): 61,9%, $0,004
• Claude Sonnet 5.5 (max with fallback): 63,0%

GPT-6 Luna queda 4 puntos por debajo de Astra con un coste inferior al 2% del de este.

La longitud de la respuesta cambia el panorama. Claude Opus 5.5 y Claude Fable 5.1 escriben de media unos 5900 caracteres, casi el triple del umbral, y tras el ajuste pierden más de 11 puntos. Opus 5.5 (max with fallback) tiene la puntuación bruta más alta, 71.4%, pero en el ranking ajustado cae al sexto puesto con un 59,9%. GPT-6 Sol (max) es el único que se mantiene dentro del umbral (unos 1600 caracteres) y el único cuya puntuación sube con el ajuste.

HealthBench: los modelos baratos casi alcanzan a los caros

En el conjunto general, el primer puesto es para Claude Sonnet 5.5 (62,1%). Le siguen DeepSeek V4.1 Flash (max, 60,9%) y GPT-6.1 Sol (max, 58,5%). La frontera de Pareto la forman aquí tres modelos: GPT-6 Luna (54,6% a $0,002 por tarea), DeepSeek V4.1 Flash (60,9% a $0,005) y Claude Sonnet 5.5. Este último cuesta de media $0,08 por tarea, unas 16 veces más que DeepSeek V4.1 Flash a cambio de una mejora de aproximadamente 1 punto.

El desglose por ejes muestra el precio de la brevedad. GPT-6 Sol (max) escribe las respuestas más cortas, de unos 1000 caracteres, y obtiene la mejor puntuación bruta en calidad de la comunicación (81%). En cambio, tiene el peor resultado en exhaustividad, un 34%. En exhaustividad lidera Claude Sonnet 5.5 con un 63%.

Cómo leer estas cifras al elegir un modelo

Primero: conviene mirar ambos indicadores. La puntuación bruta indica cuánta información clínicamente relevante aportó el modelo. La ajustada refleja hasta qué punto la respuesta sirve para un diálogo real, donde un texto interminable perjudica. Si se construye un asistente para médicos, que necesitan exhaustividad y profundidad de referencia, la penalización por longitud puede tomarse como suave. Para un chat de pacientes, pesa más.

Segundo: en escenarios de uso masivo, con un gran volumen de consultas, decide la economía. Con $0,002–0,005 por tarea, GPT-6 Luna y DeepSeek V4.1 Flash ofrecen un resultado cercano al de los modelos caros. El costoso Astra se justifica donde cada punto cuenta en casos clínicos complejos.

Tercero: el benchmark lo ha creado OpenAI, y en ambas pruebas los jueces son modelos de OpenAI. Eso no invalida los resultados, pero antes de implantar un modelo conviene probar a los candidatos con datos propios y con la participación de médicos. El ranking ayuda a acotar la elección, pero no sustituye a la validación clínica.