独立评测机构 Artificial Analysis 10 月 27 日发布智能指数 v5：新增 Cognition 的私有编程评测 FrontierCode 2.0 和 Terminal-Bench-Science，用精简版 HLE-Diamond 取代 Humanity's Last Exam，去掉 GDPval-AA、SciCode 等；60% 的分数来自私有测试集或不公开答案，用来防止模型针对公开题刷分。同时推出可以跨年代比较模型能力的 Progress Index v1。
置信度：高（95） · 事件时间 2026-10-26
理由
- 很多发布稿和媒体会引用这个指数（本期首推的 Gemini 4 Carbon 就以 59 分登顶），换版后排名明显变动。v5 发布时 Claude Opus 5.5（max）58 分领先，GPT-6 Astra 57、GPT-6.1 Sol 55，Gemini 4 Argon 50。
- 开放权重模型掉得最多：最高的 Kimi K3.1 Pro（权重尚未发布）46 分，比第一名低 12 分（v4.3 时只差 3 分），The Decoder 称它从第 4 名跌到第 9 名；已发布权重的 DeepSeek V4.1 Flash 1017 和 GLM-5.3 都是 32 分，低于 Claude Haiku 5.5 的 36 分。
- 四个板块各占 25%：知识工作、编程、科学、通用。新版更吃推理档位和 token：Claude Opus 5.5 低档 35 分、最高档 58 分，每任务成本差 10 倍；每任务输出 token 的中位数从 3.5 万升到 5.9 万。
用法
- 完整榜单和方法论在 artificialanalysis.ai；新的 AA-Omniscience-Public-v1.1 公开子集已上 Hugging Face，可用来自测知识问答和幻觉率。
- 选模型时注意它报的是哪个推理档位，同一模型不同档位分差可以超过 20 分。
风险
- 私有测试集的缺点是外界无法检查题目错误：Artificial Analysis 这次就修订了 AA-Omniscience 里有歧义和出错的题（The Decoder 指出）。
- 研究者 Nathan Lambert 认为开源模型掉分不只是“刷题”，也和各家在多领域强化学习环境上的投入差距有关；板块权重是 Artificial Analysis 自定的。