Artificial Analysis 發布 Intelligence Index v4.2：Claude Fable 5.1 登頂總榜，私有測試集權重提升至 40%

據報導，Artificial Analysis 發布 Intelligence Index v4.2，透過導入更複雜的真實任務與私有測試集來防止模型作弊。 本次評測基準有三項重大變動：新增內部評測 `AA-Briefcase`，使用私有測試集評估模型在多週專案、數千份輸入文件中的代理知識工作能力；新增由 Surge AI 建立的 `GDP.pdf`，要求模型在 100 個 PDF、共 4,592 頁中進行單輪專業文件推理；同時移除已被模型刷爆（saturated）的科學推理評測 `GPQA Diamond`。為防止實驗室針對評測最佳化，私有保留測試集的權重已提升至 40%（為 v4.1 的兩倍），涵蓋 AA-Briefcase、AA-Omniscience 及 CritPt 解決方案。 最新榜單結果顯示： * **總榜**：Anthropic 的 Claude Fable 5.1 排名第一，OpenAI 的 GPT-6 Astra 位居第二（較 GPT-5.6 Sol 提升 4 分）。Meta 排名第三，其後依序為 SpaceXAI、Moonshot/Kimi、Z.AI 與 Google。 * **分項表現**：Claude Fable 5.1 與 Opus 5 在 `AA-Briefcase` 代理任務中領先；GPT-6 Astra 則在 `GDP.pdf` 長文本推理中以 33.2% 的全通過率（All-pass Rate）擊敗 GPT-5.6 Sol（28.2%）與 Claude Fable 5.1（26.2%）。 * **成本與效率**：Anthropic、OpenAI、Meta 與 Z.AI 共同佔據單次任務成本（Cost per Task）的帕雷托前沿（Pareto frontier）；GPT-6 Astra 則是前沿模型中最具 Token 效率的模型。