人工智能分析智能指数（Artificial Analysis Intelligence Index）v4.3.2 版本已更新，该版本整合了10项评估，分别为 AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 与 AA-LCR v1.1。此指数同时按开放权重与专有模型分类呈现，所列评估与前述一致，并指向方法论页面，其中详述了每项评测的具体内容与运行方式。

智能更新

Artificial Analysis 智能指数

Artificial Analysis 智能指数 v4.3.2 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、AA-LCR v1.1。详见智能指数方法论可了解各项评估及运行方式。

按开放权重/专有划分的 Artificial Analysis 智能指数

上述 10 项评估相同。该分类标明模型权重是否开放：商业使用受限标为“Commercial Use Restricted”，禁止商业使用标为“Non-commercial”。

能力指数

衡量模型在特定能力和行业上的表现。

智能评估

智能评估由 Artificial Analysis 独立测量，数值越高越好。涵盖：代理知识工作 (Elo-500)/2000、代理真实工作任务 (Elo-500)/2000、代理 SaaS 工作流、代理编码与终端使用、专业文档推理（全通过）、物理推理、医疗长上下文推理。虽然模型智能通常跨场景通用，但特定评估对某些用例更相关。

AA-Briefcase v1.1 更新

AA-Briefcase Elo

AA-Briefcase v1.1 是 Artificial Analysis 开发的代理知识工作基准。AA-Briefcase Elo 是综合指标，聚合分析质量 Elo、呈现 Elo 和评分标准通过率（通过合成两两对战将评分表现转为 Elo）。Elo 及 95% 置信区间下限截断在 0。数值越高越好。

AA-Omniscience

AA-Omniscience 指数

AA-Omniscience 指数（越高越好）衡量知识可靠性和幻觉。奖励正确答案，惩罚幻觉，拒答不扣分。分数范围 -100 到 100，0 表示正确与错误各半，负分表示错误多于正确。

智能指数对比

智能指数 vs. 每智能指数任务成本

Artificial Analysis 智能指数与每任务加权平均成本（美元）。最具吸引力象限、帕累托线。每智能指数任务的加权平均成本由各评估的输入、缓存命中、缓存写入、推理和回答令牌价格除以任务数，再按指数权重加权得出。

令牌使用

每个智能指数任务的输出令牌数

运行智能指数中单个任务的加权平均输出令牌数。计算方式为各评估输出令牌乘以其在指数中相对权重，再除以任务数（不含重复）。

成本

每个智能指数任务的成本

每智能指数任务的加权平均成本（美元），按令牌类型拆分，越低越好。计算方式同上（各评估成本按指数权重加权）。

运行 Artificial Analysis 智能指数的成本

运行指数中所有评估的成本（美元），根据模型输入、缓存命中、缓存写入、推理和回答令牌价格及跨评估使用的令牌数（不含重复）计算。

定价：缓存命中、输入与输出

价格（美元/百万令牌）。缓存提示（已处理过）的每令牌价格通常比常规输入价折扣明显。此处显示为缓存命中价；缓存写入和存储另计且因供应商而异。

上下文窗口

上下文窗口令牌限制，越高越好。更大窗口与 RAG（检索增强生成）LLM 工作流相关，涉及大量数据推理与检索。最大输入输出令牌总数，输出令牌通常限制更低（因模型而异）。

速度

以输出速度（令牌/秒）衡量。

输出速度

每秒输出令牌数，越高越好。模型生成令牌时接收的速率（支持流式模型在收到首个块后）。数据来自模型官方 API 或若无官方 API 则取供应商中位数。

每个智能指数任务的耗时

每任务加权平均解码时间（分钟），不含首令牌时间和开销，越低越好。计算为输出令牌数除以输出速度，按各基准权重加权。

延迟

以首令牌时间（秒）衡量。

延迟：首个回答令牌时间

收到首个回答令牌的秒数，含推理模型“思考”时间。API 请求发送后到收到首个回答令牌的时间；推理模型包含作答前思考时间；不支持流式的模型指收到完整回复的时间。

端到端响应时间

输出 500 令牌的秒数，基于首令牌时间、推理模型思考时间和输出速度计算。

端到端响应时间

输出 500 令牌（含推理思考）的秒数，越低越好。接收 500 令牌回复的耗时组成： * 输入时间：收到首个响应令牌的时间 * 思考时间（仅推理模型）：推理模型作答前输出令牌思考的时间，令牌量基于 60 个多样提示的平均推理令牌数 * 回答时间：基于输出速度生成 500 输出令牌的时间

数据来自模型官方 API 或供应商中位数。

这轮讨论对 Mercury 2.5 基本是泼冷水：多数人承认它快得离谱，但认为智能水平和定价都没到能用的程度，速度本身构不成购买理由；少数人为极速辩护，也有人从硬件和系统层面提出别的路径。

认为速度再快也弥补不了智能上的差距

• 速度没有任何意义，因为和前沿实验室相比它几乎垫底；有用户实测后认为最多相当于 14B 级别，连 GPT-OSS-20B 都不如，本想因为它「又便宜又快」而采用，最后连简单任务都放弃了（较多人）
• 官方评测本身承认「智能低于平均水平」，于是问题变成：一个又笨又快的模型，到底拿来干什么？社区给出的答案是暂无答案（高赞） > 它给人的感觉是：跑分和 gpt-oss-120b 一样，速度还可能更慢，然后还说自己很棒。（@sharktheone）

认为定价没有竞争力，开源权重模型更划算

• $0.25 与 $0.75 的档位已经贵过那些能塞进 170GB 内存的开源权重模型推理商（如 deepseek v4 flash、qwen 3.8-flash-next 之类），同时智能上还可能不如能廉价部署的 laguna 2.1，所以找不到存在意义（较多人）
• 有用户直接嘲讽官方表述里的循环论证——「与同价位模型相比定价合理」，等于什么都没说（少数人） > 与同价位模型相比定价合理，哦？这算不算可以直接叫它垃圾输出？（@entrope）

认为扩散 LLM 这条路本身走不通

• 连 Google 这种前沿实验室都只是「玩过」扩散方案、连最看重速度和成本的小模型都没继续投入，说明这个方向的投入回报存疑；目前也看不出它在哪个用例上处于帕累托前沿（少数人）

认为极速本身仍有真实价值

• 有用户实测时甚至怀疑响应这么快是出了故障，可见速度观感确实惊人；另一派举例 Cerebras 上的 gpt-oss-120b 跑到约 1400 tokens/s 而排名「差不多聪明」，用起来体验极好（少数人）
• 极速最有价值的场景可能不是通用问答，而是把瓶颈从模型前移到工具调用之后：模型最好和代码仓库、各生态完整文档乃至 Common Crawl 副本同机房部署，以减少网络抓取（少数人）

有价值的补充

• Cerebras 上跑 gpt-oss-120b 可达约 1400 tokens/s，且排名与 Mercury 2.5 相当，被当作「要速度为什么不选它」的具体对照。
• Chat Jimmy 一类的 Taalas 式做法是把模型直接烧进硅片，号称 17K tokens/s；有用户惋惜这类芯片没有后续，并认为小模型如今「够用了」，正是这种爆发式吞吐真正有用的前提。
• 玩笑留一条：「我的 1k 参数 RNN 更快」——代表社区对「唯速度论」的整体不耐烦。