Artificial Analysis发布Intelligence Index v5基准，DeepSeek V4.1 Flash开源模型编码能力登顶

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 于同日发布的 FrontierCode 2.0 独占 15%，Terminal-Bench 4.0 占 10%。

其中最值得关注的 FrontierCode 2.0 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 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-Flash 1017（max）在 FrontierCode 2.0 上录得 28%，是所有已发布权重模型中得分最高的一个。

Kimi K3.1 Pro 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 Gemini 4 Argon（high）为 25.7%，GPT-6 Luna 为 25.2%，均低于 DeepSeek V4.1 Flash。需要说明的是，这一成绩位于 FrontierCode 2.0 单项之内；在 Intelligence Index v5 的综合得分上，DeepSeek V4.1 Flash 与 GLM-5.3 同为 32 分，仍落后榜首 Claude Opus 5.5（58 分）26 分，且低于 Claude Haiku 5.5 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 K3.1 Pro 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 K3.1 Pro 分别为 37% 和 34%，而 Claude Opus 5.5 在 HLE-Diamond 上为 68%，GPT-6 Astra 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 Opus 5.5 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 Sonnet 5.5 在不同努力档之间的分差从 v4.3 的 20 分扩大到 29 分，GPT-6.1 Sol 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-6.1 Terra 的每任务成本最低，为 0.96 美元，Claude Fable 5.1 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 Opus 5.5 拿下 FrontierCode 2.0、HLE-Diamond 和 AA-Omniscience 三项，GPT-6 Astra 在 Terminal-Bench-Science 和 CritPt v2 困难子集上居首，Kimi K3.1 Pro 在 Terminal-Bench 4.0 上以 67% 领先，单项优势的分散程度比总分排名更值得注意。