开源模型追平闭源巨头的行业叙事，在一夜之间被一把新尺子量出了完全不同的结果。2026 年 10 月 27 日，评测机构 Artificial Analysis 正式发布 Intelligence Index v5.0（其前身为 2026 年 1 月发布的 v4.0 及后续的 v4.3.2），不仅让 Anthropic 与 OpenAI 重新包揽前五，更将闭源模型与开源阵营的整体分差从 3 分直接拉大到了 12 分。如果只看已经公开释放权重的开源模型，最高分与总榜首的差距更是高达 26 分。
为什么换一套题，排位就会发生如此剧烈的断层？先把这次洗牌的核心账面摆在桌面上：
- 霸榜格局.Anthropic 和 OpenAI 包揽前五，依次为 Claude Opus 5.5 (max) 58 分、GPT-6 Astra (max) 57 分、GPT-6.1 Sol (max) 55 分；Google 的 Gemini 4 Argon (high) 拿到 50 分。
- 开源掉队.排名最高的开源条目 Kimi K3.1 Pro 得分为 46 分，但发布时权重尚未开源；已释放权重的模型里，最高分是 DeepSeek V4.1 Flash 1017 (max) 和 GLM-5.3 (max)，同为 32 分。
- 算力敏感.同一个 Claude Opus 5.5，在 low 推理预算下只有 35 分，拉满到 max 设置才飙升至 58 分。
拆解 v5.0 手术刀：60% 权重转入暗箱与真实干活
早期公开静态题库（如 MMLU）早已陷入基准饱和与训练数据污染的泥潭。为了防止模型厂商靠背题刷榜，v5.0 大刀阔斧地移除了 SciCode、AA-LCR、IFBench，把 GDPval-AA 降级到附加评测（加上此前在 v4.2 就已剔除的 GPQA Diamond），同时将多语言与视觉能力剥离出主指数单独报告。为解决跨版本换题导致历史分数不可比的问题，官方还同步引入了独立的 Progress Index 来追踪长期能力演进。
新的主指数由知识工作、编程、科学、通用四大板块平分秋色，每类各占 25% 权重，共整合 9 项具体评测基准。其中采用私有测试集或保留答案的评测占到了总权重的 60%，且全面转向多步工具调用与终端实操。
| 评测板块（各25%） | 纳入基准与权重 | 核心考核方式 |
|---|---|---|
| 知识工作 | AA-Briefcase v1.1 (15%)、AutomationBench-AA (5%)、GDP.pdf (5%) | 沙盒长链路项目交付、SaaS API 自动化、长文档问答 |
| 编程能力 | FrontierCode 2.0 (15%)、Terminal-Bench 4.0 (10%) | 开源仓库代码修改、命令行终端任务执行 |
| 科学推理 | Terminal-Bench-Science 0.1 (15%)、CritPt v2 Hard (10%) | 科学计算终端执行、符号表达式与 Python 函数求解 |
| 通用能力 | AA-Omniscience v1.1 (15%)、HLE-Diamond (10%) | 准确率(10%)与防幻觉率(5%)拆分考核、高难推理与知识 |
这套新规则解释了开源模型为何突然失速。当考题从公开的静态选择题变成私有环境下的真实代码库修改（FrontierCode 2.0）和最高 500 轮的沙盒交付（AA-Briefcase）时，靠清洗公开语料做针对性微调的捷径彻底失效了。
算力换分数的假象与“盲审裁判”的暗礁
如果只看到“防刷榜成功”，那就太小看榜单背后的利益博弈了。古人讲“名实相怨”，当一个指标变成全行业的采购风向标时，它掩盖的东西往往比展示的东西更致命。
我更在意的是这次榜单暴露的第一个真相：高分高度依赖推理算力预算。Claude Opus 5.5 在 low 和 max 两档设置下，分数从 35 分暴涨到 58 分，足足差了 23 分。
榜首买的不是基础智商的绝对代差，而是把推理预算拉满的钞能力。
企业买家如果只看总分排行榜去选型，落地时就会发现：你要拿到榜单上那 58 分的智力表现，就得承受 max 档位下高昂的 Token 账单与漫长的响应延迟；一旦为了省钱切回日常档位，顶流闭源模型立刻跌回 35 分的水平，和 32 分的开源模型并没有本质代差。
更让人捏把汗的，是评测者自身的信源核验盲区。为了防数据污染，v5.0 把 60% 权重放进黑盒，这本就牺牲了外部独立复现的可能；而在占总权重高达 15% 的头号工程 AA-Briefcase 中，Tim Frenzel 等研究者扒出其官方评分提示词存在明显漏洞：LLM 裁判在打分时根本不会打开外部源文件去核对内容，只根据引用的存在性、具体性和排版形式给分。
这就像十九世纪初刚引入标准化考试的旧式学堂，考官为了防考生夹带私货而把考卷锁进密室，阅卷时却只看字迹工整、引经据典的格式对不对，根本不去翻原书核对引文真伪。只要模型学会生成看似极其具体、格式完美的虚假引用，就能在占 15% 权重的职场大考里照拿高分。
- 风险.在占 15% 权重的 AA-Briefcase 评测中，由于 LLM 裁判不打开源文件核实，长于排版包装和编造逼真引用的模型会被系统性高估。
穿透总分迷雾：企业选型该怎么看新榜单
当前大模型评测主要被两大生态主导：一边是 Arena 代表的人类盲测偏好（同样面临《The Leaderboard Illusion》论文关于私有变体测试与选择性披露的质疑），另一边就是 Artificial Analysis 代表的任务套件。两者回答的根本不是同一个问题。
而且 v5.0 把四大板块机械平权为各占 25%，本质上是编辑部的主观裁量。一个只做内部文档清洗的法务团队，和一个主攻 Kubernetes 故障排查的运维团队，怎么可能共用同一套权重？
- 建议.企业采购应直接忽略综合总分，按自身业务提取子项（如看重幻觉率就单拎 AA-Omniscience 的 5% 防幻觉子项，看重工程就只看 Terminal-Bench），并用不同推理档位下的单次任务 Token 成本重新折算性价比。
那把重新丈量出 26 分差距的新尺子，确实戳破了开源模型靠刷旧题库营造的繁荣泡沫。但尺子本身并不神圣。看清 60% 私有集挡住的刷榜水分，同时剔除 max 算力档位堆出的虚火与“不翻源文件”的裁判盲区，才算真正读懂了这份新榜单。