Artificial Analysis 发布 Intelligence Index v5：六成测试改用私有数据集，Claude Opus 5.5 以 58 分居首，开源差距拉大到 12 分

核心背景与行业痛点

公开跑分越来越容易"刷满"或被训练数据污染，开发者很难再用一个分数判断模型真实能力。Artificial Analysis 是独立的大模型评测机构，其 Intelligence Index 是业内常用的综合指数。10 月 28 日发布的 v5 是自 1 月 v4 以来最大的一次改版，核心变化是 60% 的指数权重改为基于私有测试集或答案保留的评测，以减少污染和针对性优化。

架构亮点与底层机制

v5 由九项评测组成，分四大类各占 25%：知识工作（AA-Briefcase 15%、AutomationBench-AA 5%、GDP.pdf 5%）、编程（Cognition 新发布的私有基准 FrontierCode 2.0 15%、Terminal-Bench 4.0 10%）、科学（Terminal-Bench-Science 15%、CritPt v2 私有 40 题难题子集 10%）、通用（AA-Omniscience v1.1 15%、HLE-Diamond 10%）。HLE-Diamond 是 CAIS 与 Scale AI 精修的 1000 题版 Humanity's Last Exam；GDPval-AA v2.1、SciCode、AA-LCR 被移出。智能体类评测在 Artificial Analysis 自己的 Stirrup 框架中运行。同时推出 Progress Index v1，把 2022 年 11 月以来的模型放在同一尺度上比较，借鉴了 Epoch AI 的能力指数。

权威 Benchmark 与实测跑分对比

以下均为 Artificial Analysis 官方口径：Claude Opus 5.5（max）58 分居首，GPT-6 Astra（max）57、GPT-6.1 Sol（max）55，Gemini 4 Argon（high）50。九项评测没有一个模型全部领先：Opus 5.5 领先 FrontierCode 2.0（46%）、HLE-Diamond（68%）和 AA-Omniscience；GPT-6 Astra 领先 Terminal-Bench-Science（63%）和 CritPt（72%）；Kimi K3.1 Pro 领先 Terminal-Bench 4.0（67%）；Gemini 4 Argon 领先 AutomationBench-AA（78%）。开源方面，Kimi K3.1 Pro 46 分，已发布权重的 DeepSeek V4.1 Flash 1017 和 GLM-5.3 均为 32 分，差距从 v4.3 的 3 分扩大到 12 分。成本上，Opus 5.5（max）每任务 10.04 美元，GPT-6.1 Sol（max）1.27 美元。

开发者实战落地与开箱指南

选型时别只看总分：做编程 Agent 重点看 FrontierCode 2.0 和 Terminal-Bench 4.0 两项，做科研或数据工作流看 Terminal-Bench-Science。v5 显示推理强度对分数和成本影响很大（Opus 5.5 低档 35 分、最高档 58 分，成本差 10 倍），建议按任务难度分档调用。v5 分数与 v4.3 不可直接对比，旧文章里的分数需要按新版本重新看。完整排名和方法说明见 Artificial Analysis 官网。