在 Kimi K3.1 Pro 页面的 Intelligence 部分，开头介绍 Artificial Analysis Intelligence Index v4.3.2，称该指数纳入 10 项评估，具体为 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，并标注该模型目前没有公开可用的 API。之后在 Artificial Analysis Intelligence Index by Open Weights / Proprietary 小节里，页面再次给出同样的指数说明，重复列出这 10 项评估名称，依旧提示该模型没有公开可用的 API，同时引导阅读 Intelligence Index methodology，以查看每项评估的细分内容与运行方式。
正文
智能
Artificial Analysis 智能指数
Artificial Analysis 智能指数 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。
没有公开可用的 API。
Artificial Analysis 智能指数 v4.3.2 包含：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，其中包含各项评估的细分以及我们的运行方式。
按开源权重 / 专有划分的 Artificial Analysis 智能指数
这一分类表示模型权重是否可用。如果商业使用受条件限制，模型会被标记为“Commercial Use Restricted”（商业使用受限）；如果许可证禁止商业使用，则标记为“Non-commercial”（非商业）。
智能指数与任务成本对比
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）
最具吸引力象限
Pareto 线
每项智能指数任务的加权平均成本。每项评估的成本由输入、缓存命中（cache hit）、缓存写入（cache write）、推理和答案 token 价格得出，除以任务数，再按其在智能指数中的权重加权。
能力指数
衡量模型在特定能力和行业上的表现。
评估
由 Artificial Analysis 独立测量的评估 · AA-PersonalityBench 分数为 1 到 100 的百分位排名。
专业文档推理，All-pass
编程
终端中的智能体科研工作流
开源仓库中的智能体软件工程
法律智能体工作，幻觉门控全通过率（Hallucination-Gated All-Pass Rate）
智能体交互式 3D 体验，Elo
医疗长上下文推理
丰富、多样、精心打磨的语言
结构良好、可扫读、答案优先
真实，承认不确定性，不谄媚
填充词和通用语言的使用
虽然模型智能通常可以跨用例迁移，但具体评估可能与某些用例更相关。
AA-Briefcase v1.1
AA-Briefcase Elo
AA-Briefcase v1.1 是由 Artificial Analysis 开发的智能体知识工作基准。AA-Briefcase Elo 是一个综合指标（越高越好），聚合分析质量 Elo、展示 Elo 和评分标准通过率（rubric pass rate）；评分标准表现通过合成一对一比赛转换为 Elo。Elo 和 95% 置信区间边界被限制在 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，拒答不受惩罚。分数范围为 -100 到 100，其中 0 表示正确与错误答案数量相同，负分表示错误多于正确。
Token 使用
每项智能指数任务的输出 Token 数
运行一项 Artificial Analysis 智能指数任务所用输出 token 的加权平均数。
每个智能指数任务所需的 token 数。其计算方法为：将每项评估的输出 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
每项智能指数任务的成本
每项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
运行 Artificial Analysis 智能指数的成本
运行 Artificial Analysis 智能指数中所有评估的成本（美元）。
运行该智能指数中各项评估的成本，使用模型的输入、缓存命中（cache hit）、缓存写入（cache write）、推理和答案 token 价格，以及各评估中使用的 token 数量（不包括重复）计算得出。
定价：缓存命中、输入与输出
价格（美元/百万 token）。
每个 token 的价格针对已缓存的提示（之前处理过的），相比常规输入价格通常有大幅折扣，以美元每百万 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，且因提供商而异——详见“Cache pricing by provider”（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 上限 · 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对大量数据的推理和信息检索。
输入和输出 token 合计的最大数量。输出 token 的上限通常明显更低（因模型而异）。
速度
以输出速度（每秒 token 数）衡量。
输出速度
每秒输出 token 数 · 越高越好
模型生成 token 时每秒收到的 token 数（即对于支持流式传输的模型，在从 API 收到第一个数据块之后）。
图中数值代表模型第一方 API 的性能；若没有第一方 API，则为各提供商的中位数。
每项智能指数任务耗时
每项智能指数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）。计算方法为：每项任务的输出 token 数除以输出速度，再按各基准在智能指数中的相对权重加权。
延迟
以首 token 时间（秒）衡量。
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 请求发出后收到首个答案 token 的秒数。对于推理模型，这包括模型在给出答案前的“思考”时间。对于不支持流式传输的模型，这表示收到完整结果的时间。
端到端响应时间
输出 500 个 token 的秒数，基于首 token 时间、推理模型的“思考”时间和输出速度计算得出。
端到端响应时间
输出 500 个 token 的秒数，包含推理模型的“思考”时间 · 越低越好
收到 500 token 响应所需的秒数。主要组成部分：
- 输入时间（Input time）：收到第一个响应 token 的时间
- 思考时间（Thinking time，仅适用于推理模型）：推理模型在给出答案前输出 token 进行推理所花费的时间。token 数量基于 60 个不同提示的平均推理 token 数（方法论细节）。
- 答案时间（Answer time）：基于输出速度生成 500 个输出 token 的时间
图中数值代表模型第一方 API 的性能；若没有第一方 API，则为各提供商的中位数。
评论
评论区未形成压倒性共识，主轴是如何读那张模型能力/成本图，以及基准分数能否代表真实体验：有人主张邻近模型比较应改用线性成本，有人借机称赞便宜快速的 DeepSeek 4.1 flash，也有人称实测中接近 Opus 的模型都不达标。@nektro 还把讨论指向另一则 Hacker News 帖子。
认为邻近模型比较应采用线性成本而非对数坐标
- 对数坐标适合纵览全部可能性，但在比较相近模型时，线性成本口径更能反映实际决策所需的代价，因而更该用于邻近模型之间的取舍。（少数人） > 纵览全局时对数尺度有价值，但在相邻模型之间做选择时，线性成本通常更有用。（@jawns）
认为 DeepSeek 4.1 flash 便宜快速且相当可用
- 图表反而让人更认可 DeepSeek 4.1 flash：它价格低、速度快，同时仍是相当不错的模型，说明性价比在实际选择中很有吸引力。（少数人） > 看这些图表让我更欣赏 DeepSeek 4.1 flash：又便宜又快，同时还是个相当不错的模型。（@dgellow）
认为基准分数无法体现 Anthropic Opus 的真实优势
- 实测中所有号称接近 Opus 的模型都没达到预期，因此认为 Anthropic 模型存在基准测不出的隐性优势，基准接近不等于体验接近。（少数人） > 所有被测过、号称接近 Opus 的模型其实都没到那个水平，Anthropic 模型里有一点基准没展现出来的特殊优势。（@lnenad）