Intelligence Index v5 公佈：effort 影響放大，開源權重模型落後 12 分

Artificial Analysis 將智慧指數更新至 v5，稱這次是大幅升級、排名因此更準確，並拉大了開源權重模型與閉源模型之間的差距。該版本有 60% 的評分基於私有測試集或留出答案，結果無法復現；已有使用者依據自身使用體驗質疑排名，例如 GPT-Terra-6.1 高於 Fable-5.1。

看清主流評測榜單改版後的口徑與爭議

Artificial Analysis 公佈 Intelligence Index v5 的權重：知識工作、程式設計、科學各佔 25%。知識工作含 AA-Briefcase 15%、AutomationBench-AA 5%、GDP.pdf 5%；程式設計含 FrontierCode 2.0 15%、Terminal-Bench 4.0 10%；科學含 Terminal-Bench-Science 15% 和 CritPt v2 hard。

看清新榜總分由哪些基準拼成

Artificial Analysis 稱 Intelligence Index v5 的任務要求模型完成更多工作，所有被測模型的單任務輸出 token 都高於 v4.3，中位數從 35k 升至 59k，增加約三分之二。Agent 類評測貢獻了大部分 token 消耗。

理解新榜為什麼更燒 token、更貴

Artificial Analysis 指出，在 v5 中 effort 設定對分數的影響大於 v4.3。Claude Opus 5.5 低 effort 得 35 分、最高 effort 得 58 分，單任務成本從 $0.98 升至 $10.04，相差約 10 倍。Claude Sonnet 5.5 的跨度從 20 分擴大到 29 分。

選模型時要把 effort 和成本一起看

Artificial Analysis 列出領先模型的單任務成本：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）得分與 Opus 5.5（max）相差不到 4 分，單任務成本約為後者的八分之一。

直接可用於價效比選型的一組數字

在 Intelligence Index v5 中，開源權重模型與前排的差距拉大。領跑的 Kimi K3.1 Pro 得 46 分（權重尚未釋出），落後榜首 12 分，而 v4.3 時差距為 3 分。已釋出權重的模型中，DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分並列最高。

開源與閉源能力差距變化的重要訊號

Artificial Analysis 表示 Intelligence Index v5 的九項評測仍有明顯提升空間，且沒有單一模型全面領先。Claude Opus 5.5 在三項中居首，其餘六項的第一名由另外五個模型分別佔據。

說明能力分佈仍分散，選型要看具體任務

Artificial Analysis 在 Index 中用 HLE-Diamond 替換 Humanity's Last Exam，這是 CAIS 與 Scale AI 推出的 1000 題精煉版，推理與知識題各佔一半。Claude Opus 5.5（max）以 68% 居首，GPT-6 Astra（max）以 64% 次之。

主流高難題基準換代，頭部模型排名隨之變化

Artificial Analysis 推出 Terminal-Bench-Science，用來測試 Agent 能否在終端中完成科研工作流，每道任務由專家編選與稽核，只有全部測試通過才算過關。GPT-6 Astra（max）以 63% 領先，Claude Opus 5.5（max）以 59% 次之。

衡量 Agent 能否真正跑通科研終端流程的新標尺