评测数据集 · 实体榜单 · healthbench-hard · GB-Clin
HealthBench Hard：公开评测地图与私有门禁映射｜朗慧
未饱和难例子集，用于对抗总分乐观叙事，适合作为代际复测对照锚点。 对齐 2026-09-27 前沿评测进展，给出 GB-Clin 映射、字段清单与询盘入口。
English entry: /en/gate/benchmarks/healthbench-hard/
定义与观测窗口
HealthBench Hard（HealthBench Hard）· 观测窗口 2026-09-27。
未饱和难例子集，用于对抗总分乐观叙事，适合作为代际复测对照锚点。
主映射 SKU：GB-Clin（临床对话评测集）。相关扩展：—。
参考文献标识：arXiv:2505.08775。
测什么 / 测不到什么
测量面：
- 难例准则命中率
- 失败模式稳定性
产业共识缺口：
- Hard 定义需冻结版本
- 不可只报整体 HealthBench
数据集要求（可采购字段）
- Hard 纳入门禁阈值
- 代际对照表
完整采购与门禁协议见意图簇文章，并回到类目页 GB-Clin。
意图簇（商业词进攻）
角色入口
HealthBench Hard公开协议能对照的是：难例准则命中率、失败模式稳定性。这些维度要分列，不能收成一个总分。
公开材料测得到、合同里买不到的部分是：Hard 定义需冻结版本；不可只报整体 HealthBench。
写进数据卡时建议保持同名的字段是：Hard 纳入门禁阈值、代际对照表。缺哪一项，就标成未覆盖。
朗慧 把公开对照留在需求地图上，把可下单的规格放在 GB-Clin 的私有层。观测窗口 2026-09-27；版本以原论文和当期数据卡为准。