Artificial Analysis 发布 Intelligence Index v5，60% 评测改用私有数据集

我们发布 Artificial Analysis 智能指数 v5，新增 2 个基准、升级 3 项。指数首次以私有数据集为主体。

Artificial Analysis 智能指数是我们的综合指标，衡量模型在反映当今真实使用场景的各类任务上的能力。v5 是自 1 月 v4 发布以来最大的一次升级。v5 版本中，指数的 60% 现在基于私有测试集或留出答案的评估。

与智能指数 v5 一同发布的还有 Artificial Analysis 进展指数 v1，它在一条连续的尺度上追踪模型能力随时间的变化。

智能指数新增：
➤ FrontierCode 2.0：Cognition 新推出的真实编码任务私有基准，以仓库维护者是否会合并智能体的改动作为评分标准
➤ Terminal-Bench-Science：70 个智能体科学研究任务，在终端环境中运行

升级：
➤ HLE-Diamond（取代 Humanity's Last Exam）：Humanity's Last Exam 的精炼 1000 题版本，推理题与知识题各占一半
➤ AA-Omniscience v1.1：更新后的数据集，移除了饱和题和公开集题目，新增题目，并修订了有歧义或错误的题目
➤ CritPt v2：CritPt v2 的私有、40 题高难度子集，由 CritPt 作者修订，并搭配代码执行工具运行

指数保留：AA-Briefcase、AutomationBench-AA、GDP.pdf 和 Terminal-Bench 4.0

指数移除：GDPval-AA v2.1、SciCode 和 AA-LCR v1.1

主要结果：
➤ Claude Opus 5.5（max）以 58 分领先，高于 GPT-6 Astra（max，57 分）和 GPT-6.1 Sol（max，55 分）：Anthropic 和 OpenAI 占据前五名。Gemini 4 Argon（high）以 50 分紧随其后
➤ 开放权重差距从 3 分扩大到 12 分：Kimi K3.1 Pro（权重尚未发布）以 46 分成为顶级开放权重模型。在已发布权重中，DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分领先——落后领先者 26 分，低于 Claude Haiku 5.5（max，36 分）
➤ 领先模型间的单任务成本相差超过 13 倍：在展示的 10 个最高分模型中，GPT-6.1 Terra（max）每个智能指数任务成本最低，为 0.96 美元，Claude Fable 5.1（max）成本最高，为 13.04 美元