HealthBench Hard 是 HealthBench 中挑出的 1000 条对当前前沿模型最困难的样例，同时包含正向与负向评分要点，覆盖临床复杂度与歧义都很高的场景，早期不少模型在该子集上得分为 0。本条目记录长度校正口径（对冗长回答施加惩罚），与未校正原始分不可直接互比。
查看 HealthBench Hard (length-adjusted) 的最新得分、模型模式、发布时间与参数规模，快速了解当前完整榜单表现。
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
| 排名 | 模型 | 开源情况 | |||
|---|---|---|---|---|---|
— |  GPT-6 Luna unknown | 31.40 | 2026-09-22 | 未知 | 闭源 |
— | GPT-6 Sol unknown | 30.10 | 2026-09-22 | 未知 | 闭源 |
