IT之家10月29日消息，Artificial Analysis昨日发布了Intelligence Index v5，这是该机构自2026年1月v4上线以来幅度最大的一次基准重构。
最直接的变化是，60%的评测权重首次建立在私有测试集或隐藏答案之上，用于压缩公开题库被模型训练数据“污染”的空间，减少了各厂商为了跑分而跑分的“注水”测试项目。
该指数仍由九项评测构成，包括知识工作、编码、科学、通用能力各占25%。其中编码25%的权重里，Cognition（CGTX）于同日发布的FrontierCode2.0独占15%，Terminal-Bench4.0占10%。
其中最值得关注的FrontierCode2.0完全换了一套评分逻辑。132项任务全部来自真实开源仓库，模型提交的代码改动不再只由单元测试是否通过来判定，而是由该仓库的维护者按“是否愿意合并这个PR”来打分，任何一项阻塞性检查失败即记零分。
Cognition（CGTX）在6月推出FrontierCode初版时就强调，传统基准只检查代码能否跑通，而合并决策还涉及改动范围是否克制、风格是否与代码库一致、回归风险是否可控等测试无法完全覆盖的维度。v5将这一基准升级到2.0并纳入主指数，等于把“可合并性”而非“可运行性”推到了编码能力评价的中心。
在这一口径下，DeepSeek V4.1-Flash1017(max)在FrontierCode2.0上录得28%，是所有已发布权重模型中得分最高的一个。
Kimi K3.1Pro以25.5%紧随其后，但其完整权重按月之暗面官方博客的表述，要到11月4日前才发布，AA在v5报告中将其标注为“weights not yet released”。
谷歌Gemini4Argon(high)为25.7%，GPT-6Luna为25.2%，均低于DeepSeek V4.1Flash。需要说明的是，这一成绩位于FrontierCode2.0单项之内；在Intelligence Index v5的综合得分上，DeepSeek V4.1Flash与GLM-5.3同为32分，仍落后榜首Claude Opus5.5(58分)26分，且低于Claude Haiku5.5的36分。
Artificial Analysis指出，v5真正加剧的是开源与闭源前沿之间的整体距离。v4.3时，最强开源模型与榜首的差距是3分；v5把大部分公开题换成私有题、并大幅加重智能体实战任务的比重之后，这一差距扩大到12分。Kimi K3.1Pro以46分成为名义上最强的开源权重模型，但它尚未发布权重；已发布权重的模型中，32分是当前的天花板。
差距在HLE-Diamond和Terminal-Bench-Science两项上最为刺眼：Kimi K3.1Pro分别为37%和34%，而Claude Opus5.5在HLE-Diamond上为68%，GPT-6Astra在Terminal-Bench-Science上为63%。
v5并没有让开源模型“一夜变差”，它改变的是测量的东西——当题目不再公开、评分不再只看通过率，那些依靠公开题库优化出来的分数被系统性地挤掉了水分。
另一个被v5放大的变量是“努力值”(思考等级)的成本优势。Claude Opus5.5从低努力档到max档跨越23分，单任务成本从0.98美元升至10.04美元，相差约10倍。
Claude Sonnet5.5在不同努力档之间的分差从v4.3的20分扩大到29分，GPT-6.1Sol的跨度翻倍至20分。这意味着同一模型在“省钱模式”和“全力模式”下的表现差距，已经大到不像一个模型。
在得分最高的十款模型中，GPT-6.1Terra的每任务成本最低，为0.96美元，Claude Fable5.1最高，为13.04美元，相差超过13倍。
与 v5同步推出的Progress Index v1则处理另一个问题：当基准本身每隔几个月就换一次，不同年代的模型如何放在同一把尺子上比较。Progress Index将2022年11月以来发布的主要语言模型映射到一个连续的能力尺度上，其设计参考了Epoch AI的Epoch Capabilities Index的方法。Intelligence Index继续作为衡量“当下前沿”的主指标，Progress Index则用于观察“能力随时间如何演进”，两者回答的是不同问题。
实际上，v5的九项评测中没有任何一个模型全部领先：Claude Opus5.5拿下FrontierCode2.0、HLE-Diamond和AA-Omniscience三项，GPT-6Astra在Terminal-Bench-Science和CritPt v2困难子集上居首，Kimi K3.1Pro在Terminal-Bench4.0上以67%领先，单项优势的分散程度比总分排名更值得注意。
