GPT-6 Astra 评分引质疑，Artificial Analysis 重构 Intelligence Index

Artificial Analysis 发布了 Intelligence Index 4.2 版本，此举很可能是为了回应外界对其基准测试未能反映 GPT-6 Astra 实际进步的批评。

此前，包括 OpenAI 自家评估在内的多项评测都显示 Astra 远远领先于其他模型。Epoch AI 让它在超过 50 项基准测试中拿到 169 分，在 267 个模型中排名第一；ARC-AGI-3 的得分则因测试框架不同而出现大幅甚至极大的跃升。而 Artificial Analysis 给 Astra 的评分只与上一代持平。

在更新后的指数中，GPT-6 Astra 比上一代提升了四分。Anthropic 的 Claude Fable 5.1 仍然位居榜首，Astra 排第二，Meta 排第三。Artificial Analysis 还指出，Astra 每个任务消耗的 token 比其他所有前沿模型都少。在性价比方面，Anthropic、OpenAI、Meta 和智谱 AI 并列领先。

新版本指数增加了两项基准测试：面向真实知识工作场景的 AA-Briefcase，以及 Surge AI 用于 PDF 文档分析的 GDP.pdf。由于各家模型已经把 GPQA-Diamond 考满分，这项测试被移除。私有测试数据的权重现在占到 40%，以增加刷分的难度。此外，Artificial Analysis 还修正了多项基准测试中的评分错误，并调整了评分体系，让结果更加稳定。

Artificial Analysis 表示，为在重大模型发布期间保持评分稳定，其暂缓了对 Intelligence Index 的更新。不过榜单头部变化过于迅速，因此不得不进行临时更新。据悉，V5 版开发已历时八个月，将分阶段推出。