Artificial Analysis 推出 HLE-Diamond 排行榜，评测精炼后的 Humanity's Last Exam

Artificial Analysis 推出了 HLE-Diamond 排行榜，这是其对精炼后的 Humanity's Last Exam 1,000 道题版本的独立评测，也是 Intelligence Index v5 的一部分。CAIS 和 Scale AI 在花了一年时间清理和完善题目后，发布了 HLE-Diamond。

以下是 Artificial Analysis 自行测得的数据：

• HLE-Diamond 将每道题标记为推理题或知识题。得分超过 50% 的模型，在推理题上的得分都比知识题高 16–35 分。领先模型中，GPT-6.1 Sol (max) 的差距最大，推理题得分为 76%，知识题得分为 41%。
• 提高计算强度设置会带来更高分数，也会增加成本。Claude Opus 5.5 从低强度（42%）提升到最高强度（68%），得分提高 26 分，每项任务的成本约为原来的 35 倍；GPT-6 Astra 从低强度（45%）提升到最高强度（64%），得分提高 19 分，每项任务的成本是原来的 11 倍。

排行榜列出了各模型的得分、token 用量和每项任务的成本。