Artificial Analysis Intelligence Index v4.3.2

它测什么

Artificial Analysis 是一家独立评测机构。它用同一套流程自己跑 10 项评测，再按四个类别加权合成一个 0–100 的指数，数字越高，模型的总体水平越强。

当前的 v4.3.2 版本更偏重 Agent 实际干活：Agent 类占 30%，包括 AA-Briefcase v1.1、GDPval-AA v2.1 和 AutomationBench-AA，要求模型交付文件、完成职场任务或调用 API 跑通 SaaS 工作流；编程类占 20%，包括 Terminal-Bench 4.0 和 SciCode；科学推理类占 20%，包括 Humanity’s Last Exam 和物理研究题 CritPt；通用类占 30%，包括知识与幻觉评测 AA-Omniscience、长 PDF 文档推理 GDP.pdf 和长上下文推理 AA-LCR v1.1。它适合快速回答“这个模型大概处在什么位置”，但看不出某项具体能力的强弱。

同一模型的不同推理强度（low / high / max）会被当作不同条目分别计分。

怎么看分数

0–100 的相对指数，只在同一时期、同一版本的模型之间比较有意义。v4.3 用 AutomationBench-AA 替换了 𝜏³-Banking，并把 Terminal-Bench 2.1 换成更难的 4.0；随后的 v4.3.2 又随 GDPval-AA v2.1 更换了 Elo 锚点，因此不能与旧版本的指数直接比较。本页收录 2026 年 10 月 16 日官网默认（Current）榜单中指数不低于 45 的全部条目；标有 with fallback 的 Anthropic 条目包含拒答后的备用模型机制，这里沿用推理档位命名。

来源Artificial Analysis

查看 Intelligence Index 官方评测方法与版本记录