Artificial Analysis ने HLE-Diamond के लिए लीडरबोर्ड लॉन्च किया, जो Humanity's Last Exam का परिष्कृत संस्करण है

Artificial Analysis ने अपने Intelligence Index के v5 के तहत HLE-Diamond लीडरबोर्ड लॉन्च किया। यह Humanity's Last Exam के परिष्कृत 1,000-प्रश्नों वाले संस्करण का उसका अपना मूल्यांकन है। CAIS और Scale AI ने सवालों को साफ़ करने और परिष्कृत करने के एक साल बाद HLE-Diamond जारी किया।

ये Artificial Analysis के अपने माप हैं:

• HLE-Diamond हर सवाल को तर्क या ज्ञान के रूप में वर्गीकृत करता है। 50% से ज़्यादा स्कोर करने वाले सभी मॉडल ज्ञान वाले सवालों की तुलना में तर्क वाले सवालों पर 16–35 अंक ज़्यादा हासिल करते हैं। GPT-6.1 Sol (max) का शीर्ष मॉडलों में सबसे बड़ा अंतर है: तर्क पर 76% और ज्ञान पर 41%।
• ज़्यादा effort settings के साथ स्कोर बढ़ते हैं और लागत भी। Claude Opus 5.5 कम effort (42%) से max (68%) तक 26 अंक हासिल करता है, जबकि प्रति कार्य लागत लगभग 35 गुना बढ़ जाती है; GPT-6 Astra कम (45%) से max (64%) तक 19 अंक हासिल करता है, जबकि प्रति कार्य लागत 11 गुना बढ़ जाती है।

हर मॉडल के स्कोर, token का उपयोग और प्रति कार्य लागत लीडरबोर्ड पर उपलब्ध हैं।