Intelligence Index v5 公布：effort 影响放大，开源权重模型落后 12 分

Artificial Analysis 将智能指数更新至 v5，称这次是大幅升级、排名因此更准确，并拉大了开源权重模型与闭源模型之间的差距。该版本有 60% 的评分基于私有测试集或留出答案，结果无法复现；已有用户依据自身使用体验质疑排名，例如 GPT-Terra-6.1 高于 Fable-5.1。

看清主流评测榜单改版后的口径与争议

Artificial Analysis 公布 Intelligence Index v5 的权重：知识工作、编程、科学各占 25%。知识工作含 AA-Briefcase 15%、AutomationBench-AA 5%、GDP.pdf 5%；编程含 FrontierCode 2.0 15%、Terminal-Bench 4.0 10%；科学含 Terminal-Bench-Science 15% 和 CritPt v2 hard。

看清新榜总分由哪些基准拼成

Artificial Analysis 称 Intelligence Index v5 的任务要求模型完成更多工作，所有被测模型的单任务输出 token 都高于 v4.3，中位数从 35k 升至 59k，增加约三分之二。Agent 类评测贡献了大部分 token 消耗。

理解新榜为什么更烧 token、更贵

Artificial Analysis 指出，在 v5 中 effort 设置对分数的影响大于 v4.3。Claude Opus 5.5 低 effort 得 35 分、最高 effort 得 58 分，单任务成本从 $0.98 升至 $10.04，相差约 10 倍。Claude Sonnet 5.5 的跨度从 20 分扩大到 29 分。

选模型时要把 effort 和成本一起看

Artificial Analysis 列出领先模型的单任务成本：Claude Opus 5.5（max）$10.04，GPT-6 Astra（max）$6.24，GPT-6.1 Sol（max）$1.27。GPT-6.1 Sol（max）得分与 Opus 5.5（max）相差不到 4 分，单任务成本约为后者的八分之一。

直接可用于性价比选型的一组数字

在 Intelligence Index v5 中，开源权重模型与前排的差距拉大。领跑的 Kimi K3.1 Pro 得 46 分（权重尚未发布），落后榜首 12 分，而 v4.3 时差距为 3 分。已发布权重的模型中，DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分并列最高。

开源与闭源能力差距变化的重要信号

Artificial Analysis 表示 Intelligence Index v5 的九项评测仍有明显提升空间，且没有单一模型全面领先。Claude Opus 5.5 在三项中居首，其余六项的第一名由另外五个模型分别占据。

说明能力分布仍分散，选型要看具体任务

Artificial Analysis 在 Index 中用 HLE-Diamond 替换 Humanity's Last Exam，这是 CAIS 与 Scale AI 推出的 1000 题精炼版，推理与知识题各占一半。Claude Opus 5.5（max）以 68% 居首，GPT-6 Astra（max）以 64% 次之。

主流高难题基准换代，头部模型排名随之变化

Artificial Analysis 推出 Terminal-Bench-Science，用来测试 Agent 能否在终端中完成科研工作流，每道任务由专家编选与审核，只有全部测试通过才算过关。GPT-6 Astra（max）以 63% 领先，Claude Opus 5.5（max）以 59% 次之。

衡量 Agent 能否真正跑通科研终端流程的新标尺