智能指数v5换成私有题开榜：开源掉队12分，聚合货架的路由逻辑要换刻度

换刻度：六成权重的私有题，专治刷榜

Artificial Analysis 10 月 28 日发布智能指数 v5，同步上线进度指数 v1，是 v4（1 月）以来最大一次改版：60% 的指数权重首次压在私有测试集或保留答案上，直接冲着「模型在公开题上应试刷分」的污染问题去。新增两项评测——Cognition 的 FrontierCode 2.0（132 道真实开源仓库任务，以维护者是否合并代码为判据，阻塞项不过即 0 分，数据集全程保密防污染）与 Terminal-Bench-Science（70 道终端环境科研任务，专家逐条审定）；同时升级 HLE-Diamond、AA-Omniscience v1.1 与 CritPt v2 私有硬子集，知识工作、编码、科学、通用四大维度各占 25%，每道任务用自家 Stirrup 智能体框架跑三遍取均值。

开榜结果：前五两家分，开源掉队 12 分

Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max）57、GPT-6.1 Sol（max）55，Anthropic 与 OpenAI 包揽前五，Gemini 4 Argon（high）50 分排其后。开放权重阵营明显掉队：与榜首的差距从 v4.3 的 3 分拉大到 12 分；Kimi K3.1 Pro（权重尚未放出）46 分暂列开放权重第一，已放权重的 DeepSeek V4.1 Flash 1017 与 GLM-5.3（均 max）只有 32 分，落后榜首 26 分，还低于 Claude Haiku 5.5（max，36 分）。差距最大的两项是 HLE-Diamond 与 Terminal-Bench-Science：Kimi K3.1 Pro 分别只有 37% 与 34%，Claude Opus 5.5 为 68%，GPT-6 Astra 为 63%。

还有一个细节值得标注：指数构成随版本变化，不同版本的分值不能直接比——v4.1 时期 Claude Fable 5 发布时拿到 60 分，当前榜首是 58 分，看 v5 榜单要看同版本内的相对位次与差距方向，而不是新旧分数。进度指数 v1 正是为这件事而生：用一条连续刻度追踪同一模型的能力轨迹，不随版本更替清零。

单任务成本是 v5 头条里最有货架味的新维度：得分最高的 10 款模型中，GPT-6.1 Terra（max）每个智能指数任务成本 0.96 美元最低，Claude Fable 5.1（max）13.04 美元最高，价差超过 13 倍。FrontierCode 2.0 单项上，Opus 5.5 以 46% 领先，GPT-6 Astra、GPT-6.1 Terra 与 Claude Sonnet 5.5 并列 42%，最强开放权重选手 DeepSeek V4.1 Flash 1017 为 28%。

对 API 货架的三条影响

一、能力分层换参考系。私有题占多数后，刷榜空间被压小，货架按模型能力做的路由档位与 SLA 承诺，该切到 v5 刻度上重新对表；进度指数 v1 给出一条不随版本重置的连续刻度，「模型在变强还是退化」可以沿时间轴追踪，自动换档与降级路由的误触发会明显减少。

二、单任务成本成为新的货架计价单位。过去货架比的是每百万 token 价，v5 给出的是「干完一件事花多少钱」：0.96 到 13.04 美元的 13 倍价差意味着同一条请求流里，简单任务走便宜档、难题才升级旗舰档，混合路由可以直接算出可对客户报价的成本区间，任务级定价比 token 级定价更贴近客户账本。

三、开源掉队改写自建测算。已放出的开放权重最好 32 分，连 Haiku 级 API（36 分）都超不过——「自建开源省成本」的能力下限不再稳，给客户的私有化与自建测算要加一笔能力折价；Kimi K3.1 Pro 权重放出后，这条掉队曲线值得再验一次，届时开放权重在货架上的位置或能回升。

观察：私有题占多数加任务级计价，评测方与货架方第一次站在同一张成本表上——榜单从「比谁分高」变成「比谁干同样的事更便宜」，这对 API 采购方是好消息。

来源：Artificial Analysis 官方博客、OfficeChai、StartupFortune（榜单与成本数据为 v5 发布时快照）