Artificial Analysis v5 改变了选择 AI 模型时的评分标尺

Artificial Analysis 更换了 Intelligence Index 背后的部分测试。对正在选择 AI 模型的团队来说，直接影响是应在同一版本内比较结果，再核对产生这些结果的任务、推理强度和成本。

v5 公告的日期是 2026 年 10 月 27 日，新闻发现服务的时间戳则是 10 月 28 日。公告自身的日期确定了发布时间，之后的信息流记录并不代表又一次发布。

综合分数现在重视什么

新版指数对知识工作、编程、科学和通用能力赋予相同权重。Artificial Analysis 表示，采用私有测试集或保留答案的评测，目前占指数权重的 60%。这是评测设计的特征，并不保证所有数据污染风险已经消除。

两项新增评测体现了变化。FrontierCode 2.0 检查代码仓库修改，Terminal-Bench-Science 则测试在终端中完成科学任务的能力。Cognition 对 FrontierCode 目标的说明，强调维护者是否愿意接受代理提交的修改，包括设计判断和与仓库的整合。

因此，软件团队有理由查看编程分项究竟测量什么。但这不能证明较高的总分，就能预测修改在自己仓库中被接受。综合指数覆盖多种工作，具体部署却可能主要依赖其中一种。

比较成本前，先对齐配置

公开方法说明列出了各项权重和测试条件。发布分析也显示，推理强度会同时影响分数与资源消耗，而且每项任务的输出 token 比 v4.3 更多。

有用的比较应把模型名称和推理强度一起记录。只看单个 token 的价格，无法知道完成自身任务究竟要花多少钱。工具调用、重复尝试以及人工复核，也应纳入本地评估。

可以先用 v5 缩小候选范围，再通过具有明确验收标准的代表性任务进行验证。既记录成功输出，也记录修正失败所需的工作。这是一项评估建议，并不表示 TechKili 已复现这些基准测试。

长期进步需要另一种尺度

Artificial Analysis 的 Progress Index 方法说明明确指出，不同版本的 Intelligence Index 分数并非为长期比较设计。Progress Index 则把模型能力和任务难度估计在同一尺度上。

两者对应不同需求：用当前 Intelligence Index 比较当前候选模型，用 Progress Index 研究长期能力趋势。任何一种指标都不能单独证明商业回报；我们关于 AI 生产率与财务结果的分析解释了为什么还需要另外的证据。

资料来源

• Artificial Analysis v5 公告

• Intelligence Index 方法与版本历史

• Progress Index v1 方法

• Cognition 的 FrontierCode 2.0 方法