人工分析智能指数（Artificial Analysis Intelligence Index）v4.3.2 正式整合了 10 项评估：AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 以及 AA-LCR v1.1。该指数 v4.3.2 包含的评估与此相同，进一步的方法论说明了每项评估的拆解与运行方式。在按开放权重与专有划分的类别中，这一指数同样纳入了上述 10 项评估。
正文
智能更新
Artificial Analysis 智能指数
Artificial Analysis 智能指数（AAII）v4.3.2 包含 10 项评估：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。
按开放权重/专有划分的 Artificial Analysis 智能指数
该指数标明模型权重是否开放。若商用受条件限制标为“Commercial Use Restricted”，许可证禁止商用则标“Non-commercial”。
能力指数
衡量模型在特定能力与行业上的表现。
智能评估
由 Artificial Analysis 独立测量的智能评估，分值越高越好：
- 代理式知识工作（(Elo-500)/2000）
- 代理式真实工作任务（(Elo-500)/2000）
- 代理式 SaaS 工作流
- 代理式编码与终端使用
- 专业文档推理（全过）
- 医疗长上下文推理
虽然模型智能通常跨用例通用，特定评估可能对某些场景更相关。
AA-Briefcase v1.1 更新
AA-Briefcase Elo
AA-Briefcase v1.1 是 Artificial Analysis 开发的代理式知识工作基准。AA-Briefcase Elo 是综合指标，聚合分析质量 Elo、呈现 Elo 与评分通过率，评分表现通过合成对战转为 Elo，分值越高越好。Elo 及 95% 置信区间下界钳制在 0。
AA-Omniscience
AA-Omniscience 指数
AA-Omniscience 指数（越高越好）衡量知识可靠性与幻觉：奖励正确答案，惩罚幻觉，拒绝回答不扣分。分数范围 -100 到 100，0 表示对错各半，负分表示错多于对。
智能指数对比
智能指数 vs. 每智能指数任务成本
展示 Artificial Analysis 智能指数与每任务加权平均成本（美元）的关系，标出“最具吸引力象限”和“帕累托线”。每任务加权平均成本由各评估的输入、缓存命中、缓存写入、推理及回答 token 价格算出，除以任务数并按指数权重加权。
Token 使用
每智能指数任务的输出 Token 数
运行一个智能指数任务所需的加权平均输出 token 数。计算方式：各评估输出 token 乘其在指数中的相对权重，再除以任务数（不含重复）。
成本
每智能指数任务成本
按 token 类型分段的每智能指数任务加权平均成本（美元），越低越好。成本计算方式同上（输入、缓存命中、缓存写入、推理、回答 token 价格加权）。
运行 Artificial Analysis 智能指数的成本
运行指数中所有评估的总成本，依据模型各项 token 价格及评估总 token 数（不含重复）计算。
定价：缓存命中、输入与输出
价格为每百万 token 美元。缓存提示（曾处理过）的每 token 价格通常比常规输入价折扣明显；此处显示缓存命中价，缓存写入与存储另计且因提供商而异。
上下文窗口
上下文窗口指 token 数量限制，越高越好。更大的窗口对 RAG（检索增强生成）工作流很重要，常需对大量数据推理与检索。其最大值为输入与输出 token 合计，而输出 token 通常限制更低（因模型而异）。
评论
讨论围绕 Claude Opus 5.5 在人工分析网站上的横评展开，气氛以怀疑为主：多数人质疑榜单分数能否代表真实能力、并担心拉高推理档位后会变得不实用；少数人肯定它在成本和默认档位上的性价比，也有人觉得实际用下来没什么感觉。
认为这个指数说明不了模型好坏
- 榜单把 Opus 5 排在 Astra 前面，而 Opus 5 是今年以来最差的发布之一，看到数字上涨也推不出任何结论（较多人） > 模型刚出来，可能不错甚至很好，我不否认；但一个把 Opus 5 排在 Astra 前面的指数，数字变大能让我们推断出什么？（@qsort）
- “相比同价位其他模型偏贵”这类评价只暴露了作者自己圈定的对比区间，跟模型本身无关（少数人）
担心厂商先冲榜、再悄悄降质
- 有用户用内部数据集复测，发现某模型的最新表现几周内就回落到更低档位的水平；评测应该在发布数周后重跑，而不是只看首发数据（较多人） > 厂商想快速证明自己最强，用户切过去之后，就把地毯抽走了。（@breckenedge）
认为 max 档会想太多，反而交不出答案
- 两次让 max 档画“骑自行车的鹈鹕”都失败，因为还在推理阶段就把 12.8 万 token 预算耗光了；如果这么容易想过头，max 可能几乎没有实用价值（较多人） > 我怀疑 max 档可能几乎没用，它太容易过度思考，以至于根本走不到给出回答那一步。（@simonw）
认为 high 档才是性能与成本的最佳落点
- 与 Opus 5 做 high 对 high 的比较，每个任务的成本只有一半，这一点相当讨喜（较多人） > 和 Opus 5 的 high 对 high 相比，每任务成本只有一半，这真的让人舒服。（@hglaser）
- 许多基准在 high 之后就开始走平，这一档本身已经优于 Fable，初步实测也跑得很好（较多人）
担心指令遵循和上下文保持能力退步
- 有用户回退到 4.8：新版本常常解到一半就迷失方向、开始跑题，需要反复重申自己想做什么；在这方面的稳定性更像 haiku 而不像 4.8（较多人） > 5 经常解到一半就丢了方向、开始跑题，我不得不中途打断它；在这一点上 4.8 稳定得多。（@linuxrebe1）
觉得实际使用中察觉不到明显变化
- 发布前已经用了不少时间，几乎没注意到差别；代码质量也许略好，但依然算不上出色，只是用起来没那么难受（少数人）
认为这是一次刻意压低的发布
- 发布相当安静，可能是为了抢在 Astra 公开发布及其营销之前出手（少数人）
有价值的补充
- 评测站把不同推理档位拆成各自独立的页面：被链接的是 max 档，另外还有 xhigh 档和作为默认值的 medium 档，比较数据前要先看清用的是哪一档。
- “画一只骑自行车的鹈鹕”是社区常用的能力试金石；这次失败的原因不是画不出来，而是推理过程本身吃光了 token 预算，属于想太多而不是不会做。