Artificial Analysis 发布 Intelligence Index v5，60% 评测基于私有数据集
Announcing Artificial Analysis Intelligence Index v5, featuring 2 new benchmarks and 3 upgrades. For the first time, the majority of the Index is built on priva
Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两个基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，移除 GDPval-AA v2.1、SciCode 和 AA-LCR v1.1，60% 的指数改为基于私有测试集或留出答案的评测。同时推出 Progress Index v1，用统一尺度追踪模型能力随时间的变化。结果显示 Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max，57）和 GPT-6.1 Sol（max，55）紧随，Gemini 4 Argon（high）为 50 分；开源权重模型与领先者的差距从 3 分扩大到 12 分，已发布权重中 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分领先。前十名模型单任务成本相差超过 13 倍，GPT-6.1 Terra（max）最低为 $0.96，Claude Fable 5.1（max）最高为 $13.04。
推荐理由
精选AI 评分 65
原文列出 v5 指数新增与升级的基准及移除项，并给出头部模型分数与单任务成本差距，可据此比较各模型能力与开销。
主题
正文 · AI 翻译
隆重推出 Artificial Analysis Intelligence Index v5，包含2个新基准和3项升级。这是该指数首次大部分基于私有数据集构建
Artificial Analysis Intelligence Index 是我们对模型能力的综合衡量，覆盖反映当今真实使用场景的各项任务。v5 是自1月 v4 发布以来我们最大的一次升级。在 v5 中，60% 的指数现已基于使用私有测试集或留出答案的评测。
与 Intelligence Index v5 一同推出的还有 Artificial Analysis Progress Index v1，它在一个连续尺度上追踪模型能力随时间的变化。
Intelligence Index 新增内容：
➤ FrontierCode 2.0：Cognition 新推出的私有基准，针对真实世界编码任务，评分标准是仓库维护者是否会合并智能体的改动
➤ Terminal-Bench-Science：70个智能体科学研究任务，在终端环境中运行
升级内容：
➤ HLE-Diamond（取代 Humanity's Last Exam）：Humanity's Last Exam 的精炼版，共1,000道题，推理题与知识题各占一半
➤ AA-Omniscience v1.1：更新后的数据集，移除了已饱和和公开集题目，新增了题目，并修订了含糊或有误的题目
➤ CritPt v2：CritPt v2 的私有40题高难度子集，由 CritPt 作者修订，并使用代码执行工具运行
保留在指数中的项目：AA-Briefcase、AutomationBench-AA、GDP.pdf 和 Terminal-Bench 4.0
从指数中移除的项目：GDPval-AA v2.1、SciCode 和 AA-LCR v1.1
主要结果：
➤ Claude Opus 5.5（max）以58分领先，GPT-6 Astra（max，57）和 GPT-6.1 Sol（max，55）紧随其后：Anthropic 和 OpenAI 占据前五名模型。Gemini 4 Argon（high）以50分位列其后
➤ 开放权重模型的差距从3分扩大到12分：Kimi K3.1 Pro（权重尚未发布）以46分成为最强的开放权重模型。在已发布权重的模型中，DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以32分领先——落后领先者26分，且低于 Claude Haiku 5.5（max，36）
➤ 领先模型之间的单任务成本相差超过13倍：在展示的10个最高分模型中，GPT-6.1 Terra（max）最便宜，每个 Intelligence Index 任务为 $0.96，Claude Fable 5.1（max）最贵，为 $13.04