智能指数是 Artificial Analysis 发布的模型综合评分,全名 Artificial Analysis Intelligence Index,把各家大模型的整体能力压缩成一个 0 到 100 的分数,好直接排座次。2026 年 11 月 17 日的榜单上,Claude Fable 5.2 以 65 分居首,OpenAI 当天新发的 GPT-6.2 Astra 以 62 分排第二,谷歌 Gemini 4 Carbon 60 分、更轻快的 Gemini 4 Hydrogen 54 分。它不是某个单项测试的成绩,而是一套评测的加权合成。
65 分是怎么算出来的
现行版本 v5.0.1 包含 9 项评测,分知识工作、编程、科学、综合四类,各占 25%。知识工作看真实办公任务完成质量,AA-Briefcase v1.1 占 15%;编程看改代码与终端操作,FrontierCode-AA 2.0 与 Terminal-Bench 4.0 合计 25%;科学看终端科研任务与物理推理;综合看知识广度与幻觉率,AA-Omniscience v1.1 占 15%,正确率 10%、不幻觉 5%。多数评测用 pass@1 计分,第一次答对才算分;AA-Briefcase 这类开放任务由评委打分算 Elo。65 分就是 9 项加权综合表现,满分 100。
两三分的差距到底意味着什么
榜单前几名只差两三分。官方估计 95% 置信区间不到正负 1%,但这只是统计误差,两三分不等于真实能力有质的差别。更值得看同一模型不同推理档位的分数:GPT-6.2 Astra 最高档 62 分,高档约 60 分;同门的 GPT-6.2 Sol 最高档 57 分,档位一降,名次就跟着动。容易被忽略的是成本:跑完这套指数,Claude Fable 5.2 约 26.5 美元,GPT-6.2 Astra 约 4 美元,分数差 3 分,成本差六倍多。只盯分数选模型,等于默认价格不重要。
这个指数测不到什么
智能指数主要是一套英文文本评测,多模态、语音和多语言能力另外单独测,不计入分数。它也不回答"这个模型适不适合我的工作":知识工作偏通用办公场景,客服、法律、医疗等垂直场景不在里面。版本也会变:2026 年 11 月刚从 v4.3.2 换到 v5.0.1,权重从 30/20/20/30 改成四项各 25%,新旧版本分数不能直接比较。用它筛模型:先按任务类型看分项,写代码多看编程类,搞科研看科学类,再看推理档位和成本;分数能帮你排除掉队的模型,但前五名之间,拉开差距的是价格和场景表现,而不是两三分的分数差。