Artificial Analysis 把六大职业能力指数升级到 v2.0：加重“不幻觉”和 Agent 工具调用权重，Claude Opus 5.5 六项全部第一

核心背景与行业痛点

通用智能分数很难回答“这个模型适不适合我的行业”。Artificial Analysis 的 Capability Indexes 就是为此设计：把 O*NET 职业分类中的任务映射到代表性 benchmark，再按每种能力在该职业里出现的频率加权。11 月 4 日官方宣布六个指数升级到 v2.0，与 Intelligence Index v5.0 的评测体系对齐。

架构亮点与底层机制

这次的主线是更看重“不编造”和真实工具调用。据官方方法论页，金融会计指数为：AA-Briefcase v1.1 30%、AA-Omniscience 业务知识 25%、HLE-Diamond 15%、Non-Hallucination 15%、AutomationBench-AA 10%、GDP.pdf 5%；战略运营指数中 Agentic Tool Use 占 35%。所有指数都去掉了 GDPval-AA；工程指数新增 Science（20%，由 CritPt v2 Hard Subset 和 Terminal-Bench-Science 0.1 组成），Agentic Coding 用 Terminal-Bench 4.0 加 FrontierCode 2.0；经济指数用 GDP.pdf 取代 AA-LCR。

权威 Benchmark 与实测跑分对比

官方给出的排名：Claude Opus 5.5 (max) 在六个指数全部第一，GPT-6 Astra (max) 在金融会计、法律、工程排第二。开放权重模型中，Kimi K3.1 Pro（权重尚未发布）六项都领先，名次在第 5 到第 8；MiniMax-M3.1-Flash 在战略运营排第 10，DeepSeek V4.1 Flash 1017 (max) 在医疗排第 12。具体分数官方推文以图片形式给出，本文不转述未核实的数值。

开发者实战落地与开箱指南

做行业应用选型时，可以先看对应行业指数而不是总榜，再看自己最在意的分项，例如金融、法律场景重点看 Non-Hallucination，运营自动化看 AutomationBench-AA。注意 v2.0 与 v1.x 的组成和权重已变，旧分数不能直接对比。方法论页列出了每个指数的全部组成和权重。