一句话看懂：Artificial Analysis 于 2026 年 10 月发布 Intelligence Index v5，评测体系首次引入高比例私有数据集和重度智能体工作流，Opus 5.5 以 58 分登顶，开源与闭源模型差距拉大到 12～26 分。
事件核心：发生了什么
据 AI 博主 @hungryturbo 整理，Artificial Analysis Index v5 是自今年 1 月 v4 以来规模最大的一次评测升级，核心变化有三点：评测难度提高、引入高比例私有数据集、采用重度智能体工作流。
v5 将模型能力拆为四个维度——知识工作、代码能力、科学研究、通用与防幻觉，各占 25% 权重。综合排名中，Opus 5.5 以 58 分夺冠，GPT-6 Astra 和 GPT-6.1 Sol 紧随其后，两款 GPT 模型与 Anthropic 系产品包揽前五，谷歌 Gemini 4 Argon 排在其后。开源阵营中，Kimi K3.1 Pro 以 46 分位列开源第一，但与闭源头部的差距从 v4 的 3 分扩大到 12～26 分。
成本维度同样出现明显分化：单任务成本最高的是 Fable 5.1，为 13.04 美元；最低的 GPT-6.1 Terra 仅 0.96 美元，相差超过 13 倍。GPT-6.1 Sol 单任务成本 1.27 美元，综合得分只比榜首低 3 分。此外，v5 对推理强度更敏感，Opus 5.5 在低强度下仅得 35 分，拉满至 max 强度才跃升至 58 分。
为什么重要
这套结果反映出评测逻辑本身正在变化。v5 中所有受测模型的单任务中位输出 Token 数从 v4.3 的 35k 增至 59k，其中约 90% 消耗在智能体试错环节，说明前沿大模型不再是一问一答的聊天工具，而是需要在沙箱终端中反复运行代码、自我修正的行动智能体。评测进入智能体与 Test-Time Compute 时代后，推理强度与成本成为和准确率同等重要的变量。
另一个信号是瓶颈迁移。顶级模型在推理题上的表现明显优于知识题，长期 RL 和思维链训练让逻辑推演能力大幅提升，但跨学科、非公开长尾领域的深度专业知识无法靠“多想几步”推导出来，知识瓶颈正在取代纯逻辑推理瓶颈。这对训练数据的质量和覆盖范围提出了新要求。
对用户/开发者/创作者的影响
对开发者和企业采购而言，选型逻辑正在从“哪个模型更聪明”转向“哪个模型 ROI 更高”。同一模型在高、低思考强度下分差接近 30 分、成本相差约 10 倍，意味着按任务难度动态切换推理档位能显著控制 API 开销。对需要处理专业知识密集型任务的用户，闭源头部模型仍有优势，但开源模型在成本敏感场景下性价比依然成立。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前上述数据来自 @hungryturbo 的整理，Artificial Analysis 官方口径与完整评测报告尚未在素材中体现，具体排名需以官方发布为准。后续可关注三点：私有数据集的构成是否公开透明、开源模型能否在下一轮迭代中收窄差距、厂商是否针对高推理强度场景调整 API 定价。
来源：@hungryturbo
