Artificial Analysis 发布端点准确率指数 v1.1：103 个端点中 24 个低于自托管参考

一句话看懂：Artificial Analysis 于 2026 年 11 月 9 日更新端点准确率指数至 v1.1，收紧长上下文评测的置信区间，并新增 GLM-5.3 Flash 和 Muse Spark Open 两个模型；在 103 个无服务器端点中，24 个准确率统计上低于自托管参考。

事件核心：发生了什么

Artificial Analysis 发布 Endpoint Accuracy Index v1.1。本次升级主要改动 AA-LCR-25：数据集切到 1.1 版，修正两道题答案，换用新的判分模型，每题重复次数从 10 次提高到 25 次。在同时用两个版本评分的 48 个端点和参考部署上，AA-LCR-25 的平均 95% 置信区间从 ±4.7 点收窄到 ±2.6 点。BFCL-500 和 HLE-250 保持不变。覆盖模型新增 GLM-5.3 Flash 和 Muse Spark Open，DeepSeek V4.1 Flash 1017 替换 DeepSeek V4 Pro，GLM-5.2 退出。v1.1 结果测量时间为 2026 年 10 月 8 日至 11 月 4 日，仅代表该时段和给定评测条件下的表现。

为什么重要

同一模型在不同服务商端点上的准确率并不一致。提供商为优化速度和成本，会做权重量化、定制推理内核、调整推理栈、限制输出长度，甚至出现 bug。该指数把每个端点评分换算为自托管参考的百分比，三项评测等权平均，并给出 95% 置信区间。v1.0 中长上下文评测噪声最大，可能掩盖工具调用和推理上的真实差异；v1.1 收窄置信区间后，开发者更容易区分端点差异是真实差距还是统计波动。对 API 选型来说，准确率可与其他指标并列比较，而不是只看价格和延迟。

对用户/开发者/创作者的影响

开发者调用大模型 API 时，可把端点准确率纳入采购和路由决策，尤其在对工具调用、科学推理和长上下文召回敏感的场景。v1.1 列出的低于参考原因包括输出 token 上限、推理 token 偏少、工具调用格式解析不一致，以及请求超时或流提前结束。这些多为服务商侧配置问题，换端点或调整请求参数可能改善结果。目前公开信息显示，AA-LCR-25 在 v1.1 下的原始分数不能与 v1.0 直接比较，跨版本对照需谨慎。