模型發布
Artificial Analysis 發布 Intelligence Index v5:60% 權重改用私有題,開源與閉源差距擴至 12 分
iThome 中國單一來源
核實資料不足
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。
本次未取得足夠原文證據
據 IT之家報導(單一來源),Artificial Analysis 於 10 月 28 日發布 Intelligence Index v5,為該機構自 2026 年 1 月 v4 上線以來幅度最大的重構。60% 評測權重首次建立在私有測試集或隱藏答案上,目的是減少公開題庫被訓練資料污染的空間。指數仍由九項評測組成,知識工作、編碼、科學、通用能力各占 25%;編碼項中,Cognition 同日發布的 FrontierCode 2.0 占 15%,Terminal-Bench 4.0 占 10%。
FrontierCode 2.0 改用 132 項任務,全部取自真實開源倉庫,評分不再只看單元測試是否通過,而是由維護者依「是否願意合併此 PR」判定,任一阻塞性檢查失敗即零分。在此口徑下,DeepSeek V4.1-Flash 1017(max)得 28%,為所有已發布權重模型中最高。Kimi K3.1 Pro 得 25.5%,但權重尚未釋出,AA 在報告中標註為「weights not yet released」,據月之暗面官方部落格表述,完整權重預計 11 月 4 日前發布。Gemini 4 Argon(high)為 25.7%,GPT-6 Luna 為 25.2%。綜合分數方面,DeepSeek V4.1 Flash 與 GLM-5.3 同為 32 分,仍落後榜首 Claude Opus 5.5(58 分)26 分。
AA 指出,v5 擴大了開源與閉源前沿的整體差距:v4.3 時最強開源模型與榜首相差 3 分,v5 之後擴至 12 分。Kimi K3.1 Pro 以 46 分成為名義上最強的開源權重模型,但因權重未發布,已發布權重模型的天花板為 32 分。差距在 HLE-Diamond 與 Terminal-Bench-Science 最明顯:Kimi K3.1 Pro 分別為 37% 與 34%,Claude Opus 5.5 在 HLE-Diamond 為 68%,GPT-6 Astra 在 Terminal-Bench-Science 為 63%。
在思考等級(努力值)方面,Claude Opus 5.5 從低檔到 max 檔跨越 23 分,單任務成本由 0.98 美元升至 10.04 美元;Claude Sonnet 5.5 的檔位分差由 v4.3 的 20 分擴大至 29 分,GPT-6.1 Sol 的跨度增至 20 分。在前十名模型中,GPT-6.1 Terra 每任務成本最低(0.96 美元),Claude Fable 5.1 最高(13.04 美元)。
同步推出的 Progress Index v1 將 2022 年 11 月以來的主要語言模型映射到連續能力尺度,設計參考 Epoch AI 的 Epoch Capabilities Index,用於觀察能力隨時間的演進;Intelligence Index 仍是衡量「當下前沿」的主指標。九項評測中沒有模型全面領先:Claude Opus 5.5 拿下 FrontierCode 2.0、HLE-Diamond、AA-Omniscience 三項;GPT-6 Astra 居 Terminal-Bench-Science 與 CritPt v2 困難子集首位;Kimi K3.1 Pro 在 Terminal-Bench 4.0 以 67% 領先。
讀原始報導