Artificial Analysis 发布 Intelligence Index v4.2：新增私有测试集，Anthropic 与 OpenAI 领跑

Artificial Analysis 今日宣布推出 Intelligence Index v4.2，这是其 AI 模型能力评估体系的临时更新版本。官方表示，此举是为了在快速变化的模型前沿领域保持评估的相关性，同时也是为计划中的 v5 版本做准备。v4.2 的主要变化包括新增两项评估任务和调整权重。

新加入的 AA-Briefcase 是机构内部开发的评估，采用私有测试集，专注于检验模型在复杂项目中执行多周知识工作任务的能力，这些任务由行业专家设计，包含数千个输入源文件。另一项新评估 GDP.pdf 由 Surge AI 创建，考察模型在 100 份 PDF、十个领域内进行单轮专业文档推理的能力，模型需综合分散在 4,592 页中的证据，并根据 1,275 条专家标准进行评分。此外，v4.2 将私有测试集的权重从 v4.1 的 20% 提升至 40%，以降低实验室针对评测进行优化的可能性。

在最新的排行榜上，Anthropic 的 Claude Fable 5.1 位列第一，OpenAI 的 GPT-6 Astra 紧随其后，后者比 GPT-5.6 Sol 高出 4 分。Meta 位居第三，之后是 SpaceXAI、Moonshot/Kimi、Z.AI 和 Google。在单项测试中，Anthropic 的模型在 AA-Briefcase 上领先，而 OpenAI 在 GDP.pdf 上表现最佳，GPT-6 Astra 的通过率为 33.2%。此外，GPT-6 Astra 在输出 token 效率方面表现突出，比大多数接近智能前沿的模型更具效率。