Folia
← 返回头版

Artificial Analysis 发布 Intelligence Index v5.0:引入新基准并调整权重

Artificial Analysis 于2026年10月27日发布了 Intelligence Index v5.0,这是自v4版本以来规模最大的一次升级 2。新版索引整合了知识工作、编码、科学和通用能力四大类别的9项具体评测任务,包括 AA-Briefcase v1.1, AutomationBench-AA, GDP.pdf, FrontierCode 2.0, Terminal-Bench 4.0, AA-Omniscience v1.1, HLE-Diamond, CritPt v2 (Hard Subset) 以及 Terminal-Bench-Science 0.1.0 12。该版本首次将60%的评估权重建立在私有数据集或保留答案上,旨在更真实地反映模型在现实世界中的使用情况 2。

在方法论与基准构成方面,v5.0 对原有体系进行了显著调整。索引由四个类别加权平均计算得出,每个类别各占25%的权重 1。主要变更包括新增 HLE-Diamond(占General类别10%)、Terminal-Bench-Science(占Science类别15%)和 FrontierCode 2.0(占Coding类别15%),同时移除了 GDPval-AA, SciCode, AA-LCR 和 Humanity's Last Exam 等旧基准 1。此外,GDP.pdf 的权重从 v4.3.2 版本的10%下调至5% 1。评分主要采用 pass@1 scoring(首次尝试正确率),非推理模型的设置温度为0,而推理模型为0.6,除非实验室另有建议;Agentic 任务则在 E2B sandbox 环境中运行 1。部分评测如 AA-Briefcase 采用 Elo 评分体系,其锚点设定涉及 GPT-5.5 (medium) at 1000 1。

最新的排名结果显示,Claude Opus 5.5 (max) 以58分位居榜首,领先于得分为57分的 GPT-6 Astra (max) 和得分为55分的 GPT-6.1 Sol (max) 2。开源模型与闭源模型之间的性能差距正在扩大,最佳开源模型 Kimi K3.1 Pro 得分为46分,落后榜首12分,而在 v4.3 时代这一差距仅为3分 2。成本差异也极为显著,GPT-6.1 Terra (max) 每任务成本为0.96美元,而 Claude Fable 5.1 (max) 高达13.04美元 2。各领域表现各有侧重,Claude Opus 5.5 在代码和知识领域领跑,而 GPT-6 Astra 则在科学和研究物理领域占据优势 2。伴随此次发布,Artificial Analysis 还推出了 Progress Index v1,用于追踪模型在统一尺度上的能力演变 2。


评论