前沿模型评测换尺，Artificial Analysis Intelligence Index v5 发布

Artificial Analysis 近日正式发布 Intelligence Index v5，重新调整主流前沿模型的综合评测体系。相比主要考察知识、数学和代码能力的传统榜单，v5 更强调智能体执行、业务流程自动化、专业场景推理和交互式任务，试图回答一个更贴近 2026 年模型竞争的问题：模型不只是会不会答题，而是能不能把一件事做完。

截至 2026 年 10 月 28 日，Artificial Analysis 模型页面显示，Claude Opus 5.5（Max，Default Fallback）以 58 分位居 Intelligence Index 首位，Claude Sonnet 5.5、Claude Opus 5.5 的 Xhigh 配置和 Muse Wonder Full 紧随其后。开放权重模型方面，MiMo-V2.6-Pro 以 46 分领先，DeepSeek V4.1 Flash 1017 与 GLM-5.3 分别取得 45 分。

这次更新最值得关注的并不是谁又拿了第一，而是榜单正在主动淘汰已经失去区分度的题目。当前沿模型在传统选择题、竞赛数学和常见代码题上逐渐接近饱和，继续用这些题目比较模型，就像拿小学试卷区分大学生：分数依然存在，但差距已经很难反映真实能力。

Intelligence Index v5 是什么

Artificial Analysis Intelligence Index v5 是一个用于比较前沿语言模型综合能力的复合评测指数。它不是某一套单独试卷，而是把多项推理、编码、视觉、智能体和专业任务评测汇总成一个标准化分数，用于快速观察不同模型的整体能力位置。

复合指数的价值在于降低单项跑分造成的误导。一个模型可能擅长数学却不擅长调用工具，也可能代码补全很强，却无法在多步骤业务流程里维护状态；如果只看单项成绩，开发者很容易把“会做题”误判成“能干活”。

v5 的方向因此很明确：减少对静态知识回忆的依赖，增加模型在动态环境中规划、执行、检查和纠错的权重。模型需要处理的，不再只是一个输入对应一个答案，而是一个目标对应一串操作，其中任何一步出错都可能让最终任务失败。

新榜单谁在领先

当前榜单显示，闭源前沿模型仍占据综合能力第一梯队。Claude Opus 5.5 的最高配置得到 58 分，Claude Sonnet 5.5 和 Claude Opus 5.5（Xhigh）均为 56 分，Muse Wonder Full 同样达到 56 分，Kimi K3.1 Pro 则以 55 分进入前五。

| 排名 | 模型及配置 | Intelligence Index v5 | 模型类型 | 观察 | |---:|---|---:|---|---| | 1 | Claude Opus 5.5（Max，Default Fallback） | 58 | 闭源 | 当前综合榜首，使用最高推理配置 | | 2 | Claude Sonnet 5.5（Max，Default Fallback） | 56 | 闭源 | 与旗舰模型差距缩小，可能更适合成本敏感场景 | | 3 | Claude Opus 5.5（Xhigh，Default Fallback） | 56 | 闭源 | 不同推理档位会直接改变得分与成本 | | 4 | Muse Wonder Full（Max） | 56 | 闭源 | 跻身第一梯队，说明头部竞争不再局限于少数传统厂商 | | 5 | Kimi K3.1 Pro | 55 | 闭源 | 与榜首相差 3 分，进入前沿模型核心区间 |

开放权重模型与榜首仍有差距，但差距没有大到失去实际竞争力。MiMo-V2.6-Pro 得到 46 分，比 Claude Opus 5.5 的 58 分低 12 分；DeepSeek V4.1 Flash 1017 和 GLM-5.3 均为 45 分，比榜首低 13 分。

| 开放权重排名 | 模型及配置 | Intelligence Index v5 | 与总榜首差距 | |---:|---|---:|---:| | 1 | MiMo-V2.6-Pro | 46 | 12 分 | | 2 | DeepSeek V4.1 Flash 1017（Max） | 45 | 13 分 | | 3 | GLM-5.3（Max） | 45 | 13 分 |

开放权重模型的真正优势并不只体现在综合分数。对于需要本地部署、数据隔离、定制微调或固定推理环境的团队，少十几分并不必然意味着产品体验更差；如果任务边界足够明确，一个经过领域优化的 45 分模型，可能比未经定制的 58 分通用模型更稳定、更便宜，也更容易审计。

v5 把评测重点推向了智能体

智能体评测是用连续任务检验模型能否自主规划、调用工具、观察结果并纠正错误的测试。它与传统问答的核心差别在于，评测对象从“最后一句回答”变成了“完成任务的全过程”。

Artificial Analysis 在 v5 的持续更新中加入或强化了多类智能体场景，包括工作流自动化、企业运营、法律任务、Kubernetes 故障诊断以及交互式 3D 环境。这些任务更接近开发者实际部署模型时遇到的问题：模型要理解目标、选择工具、处理异常，还要知道什么时候不该继续执行。

AutomationBench-AA 是面向智能体工作流自动化的评测，并使用私有测试集降低训练数据污染风险。私有测试集是指题目和标准答案不会完整公开，因此模型提供方更难针对固定题库做专项优化，榜单成绩也更接近未知任务上的泛化表现。

EnterpriseOps-Gym-AA 是针对企业运营流程的智能体评测。此类任务通常包含多个系统、多轮状态变化和明确业务约束，模型即使每一步都有较高正确率，也可能因为一次字段填写错误、一次权限误判或一次遗漏确认而导致整体失败。

ITBench-AA 是面向 Kubernetes 事故根因分析的评测。它要求模型从日志、资源状态和系统依赖关系中定位故障原因，考察的不只是技术知识，还包括信息检索顺序、假设验证和避免误操作的能力。

AA-3D 是针对交互式 3D 环境中智能体能力的评测，并通过 Elo 等方式衡量表现。Elo 是一种根据对抗或成对比较结果动态计算相对强弱的评分机制，适合评估难以用单一标准答案衡量的交互式任务。

这些新增方向会让榜单变得更难，但也更有产品参考价值。一个智能体连续执行 10 个步骤，即使每一步正确率都达到 95%，全部正确的理论概率也只有约 59.9%；当任务扩展到 20 步时，这个数字会降至约 35.8%。这正是单轮问答看起来很聪明的模型，进入真实工作流后经常变得不可靠的数学原因。

“一次全对”比平均分更接近生产环境

Hallucination-Gated All-Pass Rate 是一种强调零关键错误的任务通过率指标。它会先检查回答是否出现幻觉或违反硬性条件，只有所有关键要求都满足时，任务才算完整通过，而不是把多个局部得分简单平均。

这种指标对法律、医疗和企业操作尤其重要。模型在一份合同审查中找对 19 个问题，却虚构了第 20 条法律依据，平均正确率可能仍然好看，但这份结果已经不能直接交付；同样，模型完成报销流程的大部分步骤，却把款项发给错误账户，也不能算“基本成功”。

v5 对全流程成功率的重视，意味着模型厂商不能再只优化语言流畅度。未来真正拉开差距的能力，会包括长任务状态管理、工具返回值校验、失败恢复、权限边界识别，以及在不确定时主动停止并请求人工确认。

专业评测与多模态仍然重要

专业领域评测是用医疗、法律、基础设施和企业任务检验模型在高风险场景中的可靠性。此类评测通常不只要求答案正确，还要求证据充分、边界清晰，并对不确定性作出合适表达。

MLCR-AA 面向医疗长上下文推理，重点考察模型能否在较长的病例材料中提取关键事实并建立正确关联。长上下文并不等于长上下文推理：模型能够接收大量文本，只说明“装得下”，能否找到真正影响诊断或决策的信息，才说明“用得好”。

MMMU-Pro 是面向高难度多学科视觉推理的评测。它要求模型同时理解图像、图表、专业知识和问题约束，比普通图片描述更能反映多模态模型在科研、教育和文档分析中的实际能力。

人格与表达评测则被单独拆成多个维度，包括表达丰富度、组织性、透明度和冗余程度。AA-PersonalityBench 中的 Transparency 关注模型是否诚实承认不确定性、是否避免一味迎合用户；Slop 则用于识别模板化填充、空泛总结和缺乏信息密度的语言。

这些表达指标不应与 Intelligence Index 混为一谈。一个模型可以综合推理分数很高，却习惯输出冗长套话；也可以表达简洁自然，但在复杂任务中频繁出错。开发者选型时需要把智能水平、输出风格、速度和成本拆开看，而不是期待一个总分解释所有问题。

跨版本分数不能直接算“进步了多少”

v5 分数不能与 v4.3 分数直接做同比，因为评测集合、题目难度、计算预算和汇总方式已经变化。2026 年 9 月公开的 v4.3 阶段榜单中，Claude Fable 5.1 与 GPT-6 Astra 曾以 53 分领先，GLM-5.3 和 Kimi K3 则以 44 分领先开放权重模型；到了 v5，榜首变成 58 分，但这不等于模型能力单纯提升了 5 分。

评测换版相当于更换尺子的刻度和测量对象。只有在同一版本、相同推理配置、相同工具权限和相同时间预算下运行的结果，才适合横向比较；拿 v4.3 的 53 分与 v5 的 58 分相减，很容易制造一个并不存在的“提升 9.4%”。

配置后缀同样不能忽略。Max、Xhigh 等标签通常代表不同推理强度或计算预算，Default Fallback 则表示评测过程中可能存在默认回退机制；同一个模型在不同配置下，得分、延迟和单任务成本都可能明显不同。

速度冠军不等于智能冠军

吞吐速度是模型单位时间内生成 token 数量的性能指标，通常以 tokens per second 表示。Artificial Analysis 当前记录中，Celeris-1 达到 1,464.1 tokens/s，K2 Horizon 375B A23B 达到 929.5 tokens/s，Mercury 2.5 达到 710.5 tokens/s，但这些数字不能直接用于判断模型的推理质量。

| 维度 | 主要问题 | 典型指标 | 适用场景 | |---|---|---|---| | Intelligence | 模型能否正确完成复杂任务 | Intelligence Index | 研究、编码、复杂智能体 | | Output Speed | 模型生成得有多快 | tokens/s | 实时聊天、批量生成、低等待产品 | | Latency | 用户多久看到首个输出 | 首 token 延迟 | 搜索、客服、语音交互 | | Cost | 完成任务需要多少钱 | Cost per Task | 大规模生产部署 | | Reliability | 多步骤任务是否稳定完成 | All-Pass Rate | 企业流程、医疗、法律、运维 |

单任务成本比单纯的 token 单价更值得开发者关注。Cost per Task 是完成一项标准任务的综合成本，它同时受到输入长度、输出长度、推理 token 数量、重试次数和模型成功率影响；一个单价较低但经常失败的模型，最终成本可能比昂贵但一次完成的模型更高。

帕累托前沿是指在能力和成本两个维度上不存在被其他方案同时超越的一组模型。位于 Intelligence 与 Cost per Task 帕累托前沿的模型，不一定拥有最高分或最低价，但代表在当前数据下，如果还想继续提高智能水平，就必须接受更高成本，或者想继续压低成本，就必须牺牲部分能力。

这套榜单该怎么用

v5 最适合用于缩小候选模型范围，而不适合替代团队自己的业务评测。综合榜单可以帮助开发者从数百个模型中筛出三到五个候选项，但最终选择仍应由真实输入、真实工具和真实失败成本决定。

开发团队可以按以下顺序使用这套数据：

1. 先按任务类型筛选。 编码智能体优先看代码与工具执行，运维场景重点看 ITBench-AA，视觉文档任务重点看 MMMU-Pro，而不是只看综合总分。
2. 再比较同一配置。 不要把最高推理档位的成绩与默认档位的价格混在一起，也不要忽略回退机制和工具权限。
3. 随后计算单任务成本。 把重试、超时、人工复核和失败恢复纳入预算，而不只是比较百万 token 价格。
4. 最后运行私有测试集。 企业内部文档、历史工单和真实异常案例，比任何公开榜单都更能预测上线表现。

v5 也没有彻底解决模型评测的老问题。基准测试仍可能受到提示词设计、采样参数、服务状态和厂商版本更新影响，智能体评测还会叠加工具稳定性、网络环境和外部系统变化，任何单次得分都不应被视为模型的永久属性。

我们的判断：这次换尺比换榜首更重要

Artificial Analysis Intelligence Index v5 的核心价值，是把模型评测从“知识竞赛排行榜”推向“数字员工验收表”。它仍然是一个简化后的综合指数，但任务设计开始覆盖规划、执行、纠错和高风险专业场景，方向明显比继续堆叠选择题更合理。

当前 58 分的榜首也说明前沿模型远未达到稳定完成所有复杂任务的程度。综合分数之间看似只有两三分差距，落到长链路任务中却可能被连续步骤放大；反过来，一个综合分数稍低、但在特定业务流程中更稳定的模型，完全可能成为更好的生产选择。

这轮更新对模型厂商提出了更高要求，也让榜单更难被一场漂亮的发布会定义。2026 年的模型竞争已经不只是参数、上下文窗口和单项跑分之争，而是成功率、执行成本、延迟和可控性的综合竞争。v5 未必是最终答案，但至少开始测量真正影响产品成败的东西。

参考来源

• Artificial Analysis：《Intelligence Index v5.0 Methodology》——v5 综合指数、评测项目和汇总方法的官方说明；因参考链接域名限制，本文不附站外链接。
• Artificial Analysis：《Artificial Analysis Intelligence Index v5》——此次版本更新、设计目标与榜单变化的官方文章；因参考链接域名限制，本文不附站外链接。
• Reddit：Artificial Analysis updates its Intelligence Index to version 4.3 ——社区对 v4.3 过渡版本以及 v5 分阶段上线方式的讨论，可用于理解跨版本比较的限制。