Artificial Analysis 發布 Intelligence Index v5，Claude Opus 5.5 名列第一

Artificial Analysis 發布 Intelligence Index 第 5 版，這是一項綜合模型能力的指標，新增兩項基準測試並升級三項測試。該公司表示，Index 首次有大部分內容採用私人資料集建置。它也推出 Progress Index v1，將 2022 年 11 月以來發布的語言模型置於同一能力量尺上比較。

基準測試網站公布的結果（其自行測量）：

• 新增：FrontierCode 2.0，Cognition 的私人程式設計基準測試，包含 132 項真實開源程式碼庫中的任務，並以維護者是否會合併變更作為評分依據；以及 Terminal-Bench-Science，其中 GPT-6 Astra (max) 以 63% 領先，其次是 Claude Opus 5.5 (max)，得分 59%。
• 升級：HLE-Diamond 取代 Humanity's Last Exam（Claude Opus 5.5 (max) 以 68% 領先，GPT-6 Astra (max) 得分 64%）；AA-Omniscience v1.1 是經整理的知識與幻覺測試版本；CritPt v2 則以私人資料集中的 40 道高難度題目子集評分。
• 權重：知識工作 25%、程式設計 25%（FrontierCode 2.0 佔 15%，Terminal-Bench 4.0 佔 10%）、科學 25%。
• 沒有任何單一模型在九項評測中全數領先。Claude Opus 5.5 在三項評測中領先，另外五款模型則分別領先其餘六項。
• 開放權重模型的差距進一步擴大：領先者 Kimi K3.1 Pro（權重尚未發布）得分 46，比第一名低 12 分；v4.3 的差距則為 3 分。在已發布權重的模型中，DeepSeek V4.1 Flash 1017 (max) 和 GLM-5.3 (max) 得分最高，均為 32。
• 每項 Index 任務成本：Claude Opus 5.5 (max) 為 $10.04，GPT-6 Astra (max) 為 $6.24，GPT-6.1 Sol (max) 為 $1.27。Sol 的得分距 Opus 5.5 不到 4 分，成本約為其八分之一。
• 推理力度的影響更大：Opus 5.5 在 low effort 下得分 35，在 max 下得分 58；每項任務成本也增加 10 倍（$0.98 對比 $10.04）。
• 與 v4.3 相比，模型每項任務使用的輸出 token 更多：中位數從 35k 增至 59k。

X 上一則轉發貼文稱，GPT-6.1 Terra (max) 在新 Index 中得分 51。