Artificial Analysis 推出 HLE-Diamond 排行榜，評測經修訂的 Humanity's Last Exam

Artificial Analysis 推出了 HLE-Diamond 排行榜，這是該公司對經修訂的 1,000 題版 Humanity's Last Exam 所做的獨立評測，也是其 Intelligence Index v5 的一部分。CAIS 和 Scale AI 花了一年時間清理並修訂題目，推出 HLE-Diamond。

以下是 Artificial Analysis 自行測得的結果：

• HLE-Diamond 將每道題標記為推理或知識題。得分超過 50% 的模型，在推理題上的分數都比知識題高 16–35 分。領先模型中，GPT-6.1 Sol (max) 的差距最大：推理題得分 76%，知識題得分 41%。
• 提高 effort 設定會帶來更高分數，也會增加成本。Claude Opus 5.5 從低 effort（42%）提升至 max（68%），分數增加 26 分，每項任務的成本約為原來的 35 倍；GPT-6 Astra 從低 effort（45%）提升至 max（64%），分數增加 19 分，每項任務的成本為原來的 11 倍。

各模型的分數、token 用量和每項任務的成本，請見排行榜。