Artificial Analysis ha lanzado el Intelligence Index v5, una medida compuesta diseñada para evaluar las capacidades de los modelos de lenguaje en cuatro categorías principales: Trabajo de Conocimiento, Codificación, Ciencia e Inteligencia General. Esta versión representa un cambio significativo en la metodología, ya que el 60% del Índice ahora se basa en evaluaciones que utilizan conjuntos de pruebas privados o respuestas retenidas para mitigar la contaminación de datos. La actualización introduce dos nuevos puntos de referencia: FrontierCode 2.0, que evalúa tareas de codificación del mundo real basándose en si un mantenedor de repositorio fusionaría los cambios del agente, y Terminal-Bench-Science, que pone a prueba 70 tareas de investigación científica de tipo agente dentro de un entorno de terminal.
Esta imagen se relaciona con el punto de referencia FrontierCode 2.0 mencionado en el primer párrafo, que evalúa tareas de codificación del mundo real.
El Índice pondera cada categoría por igual al 25%. En las clasificaciones actuales, Claude Opus 5.5 (max) lidera el Índice con una puntuación de 58, seguido de cerca por GPT-6 Astra (57) y GPT-6.1 Sol (55). El informe destaca una brecha creciente entre los modelos de frontera y los modelos de pesos abiertos; mientras que Kimi K3.1 Pro (pesos aún no publicados) lidera la categoría de pesos abiertos con 46, la brecha entre este y el líder se ha ampliado a 12 puntos. Además, los datos revelan una varianza significativa en la eficiencia de costos, con un costo por tarea del Intelligence Index que oscila entre $0.96 para GPT-6.1 Terra (max) y $13.04 para Claude Fable 5.1 (max).
Además del Intelligence Index, Artificial Analysis lanzó el Progress Index v1. A diferencia del Intelligence Index, que se actualiza periódicamente para reflejar las capacidades actuales de frontera, el Progress Index está diseñado para rastrear el progreso de los modelos en una escala continua única a lo largo del tiempo. Utiliza la teoría de respuesta al ítem (IRT), un marco estadístico que estima conjuntamente la capacidad de un modelo y la dificultad de una tarea. Al anclar la escala a modelos de frontera estables —específicamente o3-mini (high) en 220 y GPT-5.5 (xhigh) en 320— el Progress Index permite la comparación de modelos lanzados con años de diferencia al vincularlos a través de tareas de evaluación compartidas. Esta metodología garantiza que la puntuación de un modelo refleje su rendimiento en relación con la dificultad de las tareas que intentó, en lugar de basarse en el conjunto específico de puntos de referencia utilizados en una sola prueba.