Artificial Analysis 发布 Intelligence Index v5，Claude Opus 5.5 位居榜首

Artificial Analysis 发布了 Intelligence Index 第 5 版。这项综合模型能力的指数新增了两项基准测试，并升级了三项测试。该机构表示，指数中的大部分内容首次基于私有数据集构建。它还推出了 Progress Index v1，将 2022 年 11 月以来发布的语言模型放在同一能力尺度上进行比较。

基准测试网站公布的数据（其自行测得）：

• 新增：FrontierCode 2.0，这是 Cognition 的私有编程基准测试，包含真实开源代码库中的 132 项任务，并根据维护者是否会合并修改来评分；Terminal-Bench-Science 中，GPT-6 Astra (max) 以 63% 领先，其次是 Claude Opus 5.5 (max)，得分为 59%。
• 升级：HLE-Diamond 取代 Humanity's Last Exam（Claude Opus 5.5 (max) 以 68% 领先，GPT-6 Astra (max) 得分 64%）；AA-Omniscience v1.1 是其知识与幻觉测试的清理版；CritPt v2 则使用一个包含 40 道难题的私有子集评分。
• 权重：知识工作 25%、编程 25%（FrontierCode 2.0 占 15%，Terminal-Bench 占 10%）、科学 25%。
• 没有任何单一模型在全部九项评测中领先。Claude Opus 5.5 在三项评测中领先，另外五个模型则领先其余六项。
• 开放权重模型差距进一步拉大：排名第一的 Kimi K3.1 Pro（权重尚未发布）得分 46，落后榜首 12 分；而 v4.3 中的差距为 3 分。在已发布权重的模型中，DeepSeek V4.1 Flash 1017 (max) 和 GLM-5.3 (max) 得分最高，均为 32。
• 每项指数任务的成本：Claude Opus 5.5 (max) 为 $10.04，GPT-6 Astra (max) 为 $6.24，GPT-6.1 Sol (max) 为 $1.27。Sol 的得分与 Opus 5.5 相差不到 4 分，成本约为其八分之一。
• 推理力度的影响更大：Opus 5.5 在 low effort 下得分 35，在 max 下得分 58，但每项任务的成本也高出 10 倍（$0.98 对比 $10.04）。
• 模型每项任务使用的输出 token 比 v4.3 更多：中位数从 35k 增至 59k。

X 上的一条转发称，GPT-6.1 Terra (max) 在新指数中的得分为 51。