Artificial Analysis Intelligence Index v4.2 更新：引入复杂任务与私有测试集
我们正在加速推进即将发布的 v5 版本中的部分内容，通过中间版本更新紧跟前沿模型的步伐。Index v4.2 引入了更复杂、更贴近现实的任务，并增加了更多私有测试集以防刷榜
Intelligence Index v4.2 更新日志：
+ AA-Briefcase：我们的 agentic 知识工作评测，配有私有测试集
+ Surge 的 GDP.pdf：横跨 4,592 页 PDF 的长上下文文档推理
- GPQA Diamond：一套出色的科学推理评测，如今已被现有模型刷到饱和，故移除
……此外还提高了防刷榜的私有测试集（held-out）权重，并升级了评分基础设施以增强稳健性
本次更新通过更具挑战性、更复杂、更贴近现实任务以及防刷榜的私有测试集，让 Index 更接近真实世界的使用场景。我们为 Index v5 的规划与开发已经持续数月——距离一月份发布 Index v4 已过去 8 个月。
此前我们刻意放缓更新节奏，以保持 Index 在近期多款重磅模型发布期间的稳定性。但鉴于过去几周前沿进展如此之快，我们认为有必要立即发布一次中间更新，确保 Index 对用户而言始终保持足够的相关性和实用性。
除这次中间更新外，我们的团队还在全力开发 Index v5，近期计划推出更多渐进式更新。敬请期待！
Intelligence Index v4.2 变更详情：
➤ 新增 AA-Briefcase：这是我们自主研发的评测，配有私有 held-out 测试集。AA-Briefcase 通过由行业专家构建的复杂项目，考察模型在真实 agentic 知识工作场景中的表现。模型需要完成长达数周的知识工作项目，每个项目包含多个相互关联的任务和数千个输入源文件。AA-Briefcase 结合评分细则（rubric）和两两对比（pairwise）两种打分方式，评估任务的可验证完成度、分析质量和呈现质量，从而全面衡量模型在知识工作中的整体 agentic 能力。
➤ 新增 GDP.pdf：该数据集由 Surge AI 打造，专注于评估单轮专业文档推理能力，覆盖 100 份 PDF 和十个领域。模型需综合分布在 4,592 页上的证据，包括文本、表格、图表、脚注及排除项。评分依据 1,275 条专家撰写的原子标准；核心指标“全通过率”仅在所有标准均满足时才算通过任务。
➤ 引入权重以衡量真实世界用途并防止刷分：指数中 40% 的权重现分配给私有保留测试集，较 v4.1 翻倍。保留数据包括 AA-Briefcase、AA-Omniscience 及 CritPt 的解决方案。此举降低了实验室操纵评估的可能性。在 Index v5 中，保留数据的占比将进一步提升。
➤ 改进评分基础设施：在 AA-LCR v1.1 中，我们新增了评分系统提示词，并修正了答案键中的错误与歧义，从而提升评分准确性。针对 GDPval-AA v2 和 AA-Briefcase，我们优化了采样方法并重新锚定 Elo 等级，使新模型加入时评分更加稳定。对于 SciCode，我们增强了评分沙箱的鲁棒性，确保缓慢但正确的代码执行不被判定为失败。
关键结果：
➤ Anthropic 和 OpenAI 领跑指数：Anthropic 的 Claude Fable 5.1 位居榜首，OpenAI 的 GPT-6 Astra 紧随其后，较 GPT-5.6 Sol 提升 4 分。Meta 是排行榜上排名第三的实验室，其后依次为 SpaceXAI、Moonshot/Kimi、Z.AI 和 Google。
➤ 四家实验室共享每项任务成本帕累托前沿：Anthropic、OpenAI、Meta 和 Z.AI 占据更新后的“每项任务成本”前沿。
➤ GPT-6 Astra 主导输出 token 前沿：GPT-6 Astra 的 token 效率高于智能前沿附近几乎所有其他模型；Claude Fable 5.1、Grok 4.5 和 Gemini 3.5 Flash-Lite 分别位于曲线两端（已排除指数得分低于 25 的模型）
GPT-6 Astra 的 token 效率高于智能前沿附近几乎所有其他模型；Claude Fable 5.1、Grok 4.5 和 Gemini 3.5 Flash-Lite 分别位于曲线两端（已排除指数得分低于 25 的模型）
GPT-6 Astra 以 33.2% 的成绩领跑 GDP.pdf，GPT-5.6 Sol 为 28.2%，Claude Fable 5.1 为 26.2%。
GDP.pdf 由 Surge AI 创建，涵盖 100 份 PDF 和十个领域，评估单轮专业文档推理能力。模型需综合分布在 4,592 页中的证据，包括文本、表格、图表、脚注和排除内容。评分依据 1,275 条专家撰写的原子级标准，"全部通过率"要求每个标准均满足才算通过。
以下是各模型的详细拆解：
详细了解 Artificial Analysis Intelligence Index v4.2，请访问 https://artificialanalysis.ai/methodology/intelligence-benchmarking
最新文章
GPT-6 Astra 基准测试
GPT-6 Astra 在 Artificial Analysis Coding Agent Index 中取得显著提升，以更低成本达到 Fable 5 的水平。在 Intelligence Index 中，它在保持与 GPT-5.6 Sol 相近性能的同时消耗更少 token，但更高的价格抵消了这一下优势
2026 年 9 月 3 日
Muse Spark 1.3：Meta 跻身前沿
Meta Muse Spark 1.3 的独立分析与基准测试
2026年9月2日
Google 发布 Gemini 3.8 Flash，不到四个月内的第四款 Flash 模型
Gemini 3.8 Flash 在 Artificial Analysis Intelligence Index 中得分 59，并登上智能与单位任务成本帕累托前沿
2026年9月2日