Artificial Analysis 的 Intelligence Index v4.3.2 共纳入 10 项评测，分别是 AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.1。页面上方先展示该指数的更新情况，随后按开放权重与专有模型两类分别列出结果；评测方法论页面还进一步说明每项评测的具体内容，以及这些评测的运行方式。
正文
智能（已更新）
Artificial Analysis 智能指数
Artificial Analysis 智能指数 v4.3.2 包含 10 项评测：AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1。详见智能指数方法论，其中包含每项评测的细分以及运行方式。
按开放权重/专有划分的 Artificial Analysis 智能指数
标明模型权重是否可用。如果商业使用受条件限制，模型标记为“商业使用受限”；如果许可证禁止商业使用，则标记为“非商业”。
能力指数
衡量模型在特定能力和行业上的表现。
智能评测
由 Artificial Analysis 独立测量的智能评测 · 越高越好
- 智能体知识工作，(Elo-500)/2000
- 智能体真实工作任务，(Elo-500)/2000
- 智能体 SaaS 工作流
- 智能体编程与终端使用
- 专业文档推理，全通过
- 医学长上下文推理
尽管模型智能通常可以跨用例迁移，但特定评测可能对某些用例更相关。
AA-Briefcase v1.1（已更新）
AA-Briefcase Elo
AA-Briefcase v1.1 是 Artificial Analysis 开发的智能体知识工作基准。AA-Briefcase Elo 是一个综合指标，汇总了评分标准通过率、分析质量 Elo 和展示 Elo · 越高越好
AA-Briefcase Elo 汇总分析质量 Elo、展示 Elo 和评分标准通过率，评分标准表现通过合成头对头比赛转换为 Elo。Elo 和 95% 置信区间下限被限制在 0。
AA-Omniscience
AA-Omniscience 指数
AA-Omniscience 指数（越高越好）衡量知识可靠性和幻觉。它奖励正确答案，惩罚幻觉，对拒绝回答不惩罚。分数范围从 -100 到 100，0 表示正确和错误答案一样多，负分表示错误多于正确。
开放性指数
Artificial Analysis 开放性指数：分数
开放性指数以 0 到 100 的归一化尺度评估模型开放性（越高越开放）
智能指数对比
智能指数 vs. 每项智能指数任务成本
Artificial Analysis 智能指数 · 每项 Artificial Analysis 智能指数任务的加权平均成本（美元）
- 最具吸引力的象限
- 帕累托线
每项智能指数任务的加权平均成本。每项评测的成本由输入、缓存命中、缓存写入、推理和答案 token 价格计算，除以任务数，并按其在智能指数中的权重加权。
Token 使用
每项智能指数任务的输出 token 数
运行一项 Artificial Analysis 智能指数任务所用的加权平均输出 token 数
每项智能指数任务所需的 token 数。计算方法是将每项评测的输出 token 数乘以各基准在智能指数中的相对权重，再除以任务数（不包括重复）。
成本
每项智能指数任务成本
每项 Artificial Analysis 智能指数任务的加权平均成本（美元），按 token 类型细分。越低越好
每项智能指数任务的加权平均成本。每项评测的成本由输入、缓存命中、缓存写入、推理和答案 token 价格计算，除以任务数，并按其在智能指数中的权重加权。
运行 Artificial Analysis 智能指数的成本
运行 Artificial Analysis 智能指数中所有评测的成本（美元）
使用模型的输入、缓存命中、缓存写入、推理和答案 token 价格以及各评测所用 token 数（不包括重复）计算。
定价：缓存命中、输入和输出
价格（美元/百万 token）
缓存提示（已处理过的）的每 token 价格，通常比常规输入价格有显著折扣，以美元/百万 token 表示。此处显示的是缓存命中价格；缓存写入和缓存存储单独计费，因提供商而异——详见“按提供商划分的缓存定价”。
上下文窗口
上下文窗口
上下文窗口：token 限制 · 越高越好
更大的上下文窗口与 RAG（检索增强生成）LLM 工作流相关，这类工作流通常涉及大量数据的推理和信息检索。
输入和输出 token 的最大合计数量。输出 token 通常有显著更低的上限（因模型而异）。
速度
以输出速度衡量（token/秒）
输出速度
每秒输出 token 数 · 越高越好
模型生成 token 时每秒接收的 token 数（即对于支持流式的模型，在收到 API 的第一个 chunk 之后）。
数字代表模型第一方 API 的表现，或没有第一方 API 时各提供商的中位数。
每项智能指数任务时间
每项任务的加权平均解码时间（分钟）；不包括 TTFT 和开销时间 · 越低越好
每项 Artificial Analysis 智能指数任务的加权平均时间（秒）。计算方法是将每项任务的输出 token 数除以输出速度，并按各基准在智能指数中的相对权重加权。
延迟
以首个 token 时间衡量（秒）
延迟：首个答案 token 时间
收到首个答案 token 的秒数 · 计入推理模型的“思考”时间
API 请求发送后收到首个答案 token 的时间（秒）。对于推理模型，这包括模型给出答案前的“思考”时间。对于不支持流式的模型，这代表收到完整响应的时间。
端到端响应时间
输出 500 token 的秒数，基于首个 token 时间、推理模型的“思考”时间和输出速度计算
端到端响应时间
输出 500 token 的秒数，包括推理模型的“思考”时间 · 越低越好
收到 500 token 响应的秒数。关键组成部分：
- 输入时间：收到首个响应 token 的时间
- 思考时间（仅推理模型）：推理模型在给出答案前输出 token 进行推理的时间。token 数量基于 60 个多样化提示的平均推理 token 数（方法论详情）
- 答案时间：生成 500 个输出 token 的时间，基于输出速度
数字代表模型第一方 API 的表现，或没有第一方 API 时各提供商的中位数。
模型规模（仅开放权重模型）
模型规模：总参数和活跃参数
总模型参数与推理期间活跃参数的对比
模型中可训练权重和偏置的总数，以十亿为单位。这些参数在训练期间学习，决定模型处理和生成响应的能力。
每次推理前向传递中实际执行的参数数量，以十亿为单位。对于混合专家（MoE）模型，路由机制为每个 token 选择一部分专家，因此活跃参数少于总参数。稠密模型使用所有参数，因此活跃参数等于总参数。
评论
多数人肯定 MiMo-V2.6 Pro 的极低训练与调用成本及可用智能，少数人质疑其排行榜分数高于 DeepSeek 的可信度与页面标称排名矛盾。
质疑评测分数与标签的真实性
- 用户指出 MiMo 分数仅比 DeepSeek 高少许但排名跃升可疑，且附录显示 DeepSeek 有时反超；另有人发现页面顶部标称 #1/114 但与下方图表不符（较多人） > 根据附录，DeepSeek 模型有时能力超过 MiMo 且差距不大，分数却低不少令人起疑（@egeres）
认为 MiMo-V2.6 Pro 价格优势明显但速度不及顶尖
- 独立基准显示其比 DeepSeek 快但远慢于 Claude 等领先模型，训练与缓存成本极低使其性价比突出；另有用户称前代易循环但能力被低估，期待 v2.6 修正（较多人） > 自测比 DeepSeek 快但远慢于领先模型，真正亮眼的是定价（@dom96）
因 OpenAI 限制与智能下降转投中国模型
- 有用户表示 OpenAI 用量限制骤减且输出智能日间不稳定，开始认真试用 MiMo 等中国模型，不介意响应稍慢（少数人） > OpenAI 用量限制骤减且智能下滑，我打算认真试这些中国模型，只要每天表现稳定（@Gareth321）
疑问评测未涵盖某些模型版本
- 有用户问及为何不对比 Sol 模型，以及已发布的 Flash 版为何缺席比较（少数人）
有价值的补充
- dom96 自研基准 KillSwitch-Bench 1.0 显示 MiMo-V2.6-Pro 得分 38.8，介于 Claude Fable 5.1 (46.7) 与 Muse Spark 1.3 (36.5) 之间，领头为 Claude Opus 5 (66.9) 和 GPT-6 Astra (57.9)。
- 小米披露 MiMo v2.6 训练成本仅 347 万美元，远低于一线大厂预估的 1 亿美元以上，缓存费率每百万 token 0.0036 美元。