Opus 5 登顶 Artificial Analysis 智能榜单
Opus 5 is currently #1 on Artificial Analysis Intelligence Leaderboard
Artificial Analysis 最新发布的 Intelligence Index v4.1 榜单显示，Opus 5 在综合智能评估中荣登榜首。该榜单整合了 GDPval-AA v2、Terminal-Bench v2.1、GPQA Diamond 等九大核心评测维度，全面考量模型在推理、代码生成及事实可靠性上的表现。除了智能分数，报告还深入对比了各模型的 Token 成本、推理速度及上下文窗口大小。数据揭示，在追求高智能的同时，不同模型在成本效益和响应延迟上存在显著差异，为开发者选择最适合的 AI 工具提供了详实的数据支撑。
Artificial Analysis Intelligence Index v4.1 整合了九大评估维度，包括 GDPval-AA v2、Terminal-Bench v2.1 以及 GPQA Diamond，旨在全面衡量模型的推理能力与知识可靠性。
HN 评论区
216- andy99
在竞争如此激烈的情况下，#1 的排名其实用处不大，因为你得如履薄冰，生怕触发了那些要么直接拒绝、要么把你降级到另一个模型的审查机制（所谓的“安全护栏”）。出于这个原因，我几乎完全停止使用 Claude（除了某些遗留工作流），因为可靠性比拿到 61 分还是 57 分更重要。在我看来，Claude 是受限制最多、最不可靠的模型（介于审查机制和身份验证之间——虽然我本人没遇到过后者），他们为最新发布所做的那些微不足道的基准测试优化根本不值一提。
- chmod775
更有趣的发现是，它依然是第二昂贵的模型（仅次于 Fable 5），而且差距巨大。
至少有两个模型（GPT-5.6、Kimi K3）的得分与它持平（差距约 1-2%），但成本只有一半。
- didibus
有趣的是这点：
按智能指数排名的顶级 AI 模型是：1. Claude Opus 5 (Adaptive Reasoning, Max Effort) (61)，2. Claude Opus 5 (Adaptive Reasoning, Xhigh Effort) (60)，3. Claude Fable 5 (Adaptive Reasoning, Max Effort, Opus 4.8 Fallback) (60)，4. GPT-5.6 Sol (max) (59)，以及 5. Claude Opus 5 (Adaptive Reasoning, High Effort) (59)。
这意味着 Opus5 在 Xhigh 模式下依然比 Sol 在 max 模式下更聪明，而 Opus5 在 High 模式下与 Sol 在 max 模式下持平。
这就让 Opus5 High 等同于 Sol max，现在我很好奇这两者之间的价格和速度差异是多少？
- firasd
非常有趣的是，其中一个组成部分是“AA-Omniscience Index”（AA 全知指数）。
AA-Omniscience Index（越高越好）衡量知识的可靠性和幻觉情况。它奖励正确答案，惩罚幻觉，且对拒绝回答不扣分。
这似乎是参数量/密度的良好代理指标，排名情况如下：Claude Fable 5（带 fallback）、Gemini 3.1 Pro Preview、Claude Opus 5 (Max)、Grok 4.6 (high)、Gemini 3.6 Flash、GPT 5.6 Sol (Max)。
我早就觉得 Gemini 3.x 系列有“大模型的味道”了。
- aarondong
在过于兴奋之前，先看看智能与成本矩阵：https://artificialanalysis.ai/models?intelligence-index-toke...
- nu11ptr
我在这场竞赛中没有任何利益相关，但在我看来，这让 GPT-5.6 Sol Max 看起来更香了。它的成本大约只有一半，性能却几乎完全一样。这也正好说明了 Fable 到底有多贵，毕竟相对于 GPT 5.6 来说，Opus 5 依然这么贵。
- kristopolous
我之前发过，但我有一个非常简单的 shell 工具可以追踪这些图表，地址在：
https://github.com/day50-dev/aa-eval-email
这个也能用：
$ curl day50.dev/art-analysis.sh | bash
Artificial Analysis 知道我的这个工具，我正在和他们合作改进他们的 API。
- zormino
我很想看看结果，特别是对于那些拥有 150 万和 200 万上下文窗口的模型，如果前 75% 的上下文被无关信息填满，表现会如何。