AI王座，一夜两度易主！神秘模型Obsidian 3泄露

新智元报道

AI圈再次变天了！

Artificial Analysis刚更新了Intelligence Index，正式推出v5版，Claude Opus 5.5一举登顶，将OpenAI的GPT-6 Astra挤下神坛。

但没高兴多久，Gemini 4 Carbon发布，超越 Claude Opus 5.5夺魁！

但代号「Obsidian 3」的神秘模型意外浮出水面，而所有的线索都指向同一个名字：Anthropic尚未发布的Fable 5.5。

险胜GPT-6！Opus 5.5的冠军不到一夜

AI榜单洗牌了。

Artificial Analysis发布了最新的 Intelligence Index v5 榜单。这是目前业内含金量最高、最难啃的测试之一。

结果出人意料，但又在情理之中。

Anthropic的Claude Opus 5.5 以58分险胜，斩获第一。

OpenAI的GPT-6 Astra 以57分，屈居第二。

戏剧性的是，谷歌随之发布了Gemini 4 Carbon，得分 AA 综合得分为59。

一分之差，AI 王座一夜之间两度易主。

但在编程智能体指数上，Anthropic仍以62 分领跑。

为什么说这次Anthropic登顶编程智能体指数榜含金量极高？因为测试规则变了，变得极其苛刻。

私有数据权重飙升至60%。

过去的AI测试，大家都在刷榜。模型把公开的GitHub代码库背得滚瓜烂熟，分数自然高。

这次不行了。官方直接把私有数据集的权重拉到了60%。

没有公开资料，没有历史作业。模型必须当场思考，当场解题。

靠「死记硬背」混日子的时代，结束了。

免疫学教授Derya Unutmaz评论称，新版本更合理，此前开源模型存在针对公开基准的过度优（benchmaxxing），与OpenAI、Anthropic及Gemini前沿模型的能力差距被清晰拉开。

不过，这并不意味着两者差距扩大了，而是衡量方式变化了。

引入高难度科研工作流。

新增了代码与科研工作流等地狱级挑战。

这不再是写个贪吃蛇代码那么简单，而是要求AI像真实的程序员和研究员一样，处理复杂的工程逻辑。

在这样的高压测试下，Opus 5.5 扛住了。它证明了Anthropic在复杂逻辑推理和真实场景落地上的恐怖实力。

数据暴雷！隐藏模型 Obsidian 3 究竟是谁？

Opus 5.5 登顶，只是前菜。

真正的硬核大瓜，藏在另一家机构的数据库里。

昨天，知名AI测试机构 Cognition 发布了其私有编程基准的最新版本：FrontierCode 2.0。

这是一个极其变态的测试：包含132项真实开源代码库中的任务。

评分标准简单粗暴：代码提交后，项目的维护者是否愿意合并（Merge）你的更改。

只要有一项阻断性检查未通过，直接计0分，没有任何同情分。为了防止数据污染，任务全程保密。

而且Artificial Analysis还要在 Stirrup 框架中每项任务跑三次，杜绝偶然性。

在这个榜单上，Claude Opus 5.5 (max) 以 46% 的成绩领跑全场。

GPT-6 Astra (max)、GPT-6.1 Terra (max) 和 Claude Sonnet 5.5 (max) 紧随其后，全部死磕在 42%。

但有人扒开了官网的数据接口。在 data.json 的隐藏代码里，发现了一个隐藏模型Obsidian 3。

数据令人倒吸一口凉气：

Obsidian 3，高推理模式得分 46.8%。

它硬生生把当前第一的 Opus 5.5（45.5%）踩在了脚下。

这个隐藏冠军，到底是谁？

社区的极客们迅速锁定了证据：测试框架。

Obsidian 3 运行在 claude-code 环境下。这是一个专属的测试框架，目前全世界只有六个 Claude 家族的模型在使用。

真相呼之欲出：这可能就是 Anthropic 尚未官宣的新一代大杀器——Fable 5.5。

悬念：挤牙膏还是憋大招？Fable 5.5 的成本谜团

争议却随之而来。

一部分人感到失望，直言这提升不够「性感」。

46.8% 对比 45.5%，仅仅提升了 1.3 个百分点。在最大（max）模式下，两者甚至持平，都是 45.5%。

更要命的是成本。

数据显示，在相同投入程度下，Obsidian 3 的成本约为 Opus 5.5 的 3.6 倍。在 high 模式下，单任务成本高达 8.62 美元；在某些极端的 max 模式下，单任务成本甚至飙升至约 47 美元。

跑一次任务，花掉三百多块人民币。这对于多数开发者来说，是难以承受的数字。

这种定价颇有一种 「AI 中的爱马仕」的奢华感。这倒也间接排除了主打性价比的Gemini。

「如果这就是 Fable 5.5，那看起来不够惊艳。」有开发者在 X 上抱怨。

而且你让它思考得越多，表现反而越差，感觉像是一个早期检查点，不太可能是最终的发布版。

这更像是一个 checkpoint。

但也有人看到了不同的东西：

不要被编程得分骗了，Fable 5.5 的核心定位，从来不是一个只会写代码的「码农」。

业内人士指出，Obsidian 3 虽然在编程成功率上只是小幅领先，但其在「中高推理区间」表现极其稳定。

它真正的跃升，在别的地方：

- 推理与直觉。

- 推断人类的真实意图。

- 提升任务的抱负水平。

- 创造性的「分布外」思维。

- 发明前所未有的新颖解决方案。

在复杂的真实科研流中，解决一个「无人碰过」的新问题，比修100个已知的Bug要有价值得多。

此外，当前泄露的只是测试节点数据，极有可能并非 Fable 5.5 的最终发布版本。Anthropic 还在进行价格与性能的最终调优。

如果 Cognition 已经对其进行了基准测试并不慎泄露，说明一切已经准备就绪。

可能明天，可能后天，AI界的又一次大地震，已经进入倒计时。

尾声：风暴前夕

这是一个充满戏剧性的时间节点。

Opus 5.5 险胜 GPT-6 Astra，证明了 Anthropic 在编程上的控制力。

Gemini 4 Carbon反超Opus 5.5，证明谷歌宝刀未老，尚能一战。

而隐藏冠军Obsidian 3的暴雷，预示着 Fable 5.5 已经上膛，随时准备扣动扳机。

AI模型没有不败的神话，只有永远的内卷。

今天，Gemini 4 是第一。明天，Claude Fable 5.5 可能就会掀翻桌子。之后，OpenAI 的反击必将降临。

准备好吧，AI 模型发布的时间间隔可能会越来越短。

参考资料：

https://x.com/kimmonismus/status/2115426857634210237

https://x.com/ArtificialAnlys/status/2115265133467635877

编辑：大卫