Artificial Analysis lanza una clasificación de HLE-Diamond, la versión refinada de Humanity's Last Exam

Artificial Analysis lanzó su clasificación de HLE-Diamond, su propia evaluación de la versión refinada de 1.000 preguntas de Humanity's Last Exam, como parte de la v5 de su Intelligence Index. CAIS y Scale AI publicaron HLE-Diamond tras un año de depuración y perfeccionamiento de las preguntas.

Estas son las mediciones propias de Artificial Analysis:

• HLE-Diamond clasifica cada pregunta como de razonamiento o de conocimientos. Los modelos que superan el 50 % obtienen entre 16 y 35 puntos más en las preguntas de razonamiento que en las de conocimientos. GPT-6.1 Sol (max) presenta la mayor diferencia entre los líderes, con un 76 % en razonamiento y un 41 % en conocimientos.
• Las puntuaciones aumentan con los ajustes de esfuerzo más altos, al igual que el coste. Claude Opus 5.5 gana 26 puntos al pasar de esfuerzo bajo (42 %) a max (68%), con un coste por tarea aproximadamente 35 veces mayor; GPT-6 Astra gana 19 puntos al pasar de bajo (45 %) a max (64%), con un coste por tarea 11 veces mayor.

La clasificación muestra las puntuaciones, el uso de tokens y el coste por tarea de cada modelo.