Artificial Analysis 发布了 Intelligence Index v5，这是一个旨在评估语言模型在四个主要类别——知识工作、编程、科学和通用智能——中能力的综合衡量标准。此版本代表了方法论上的重大转变，其中 60% 的指数现在基于使用私有测试集或保留答案的评估，以减轻数据污染的影响。此次更新引入了两个新基准：FrontierCode 2.0，它根据仓库维护者是否会合并智能体的更改来评估现实世界的编程任务；以及 Terminal-Bench-Science，它在终端环境中测试 70 个智能体科学研究任务。
此图与第一段提到的 FrontierCode 2.0 基准相关，该基准用于评估现实世界的编程任务。
该指数将每个类别的权重均等设置为 25%。在当前的排名中，Claude Opus 5.5 (max) 以 58 分位居指数榜首，紧随其后的是 GPT-6 Astra (57) 和 GPT-6.1 Sol (55)。报告强调了前沿模型与开放权重模型之间日益扩大的差距；虽然 Kimi K3.1 Pro（权重尚未发布）以 46 分领先开放权重类别，但它与榜首模型之间的差距已扩大到 12 分。此外，数据揭示了成本效率方面的显著差异，每项 Intelligence Index 任务的成本从 GPT-6.1 Terra (max) 的 0.96 美元到 Claude Fable 5.1 (max) 的 13.04 美元不等。
除了 Intelligence Index，Artificial Analysis 还推出了 Progress Index v1。与定期更新以反映当前前沿能力的 Intelligence Index 不同，Progress Index 旨在通过单一连续尺度追踪模型随时间推移的进展。它利用项目反应理论（IRT），这是一种联合估计模型能力和任务难度的统计框架。通过将该尺度锚定在稳定的前沿模型上——具体为 o3-mini (high) 为 220 和 GPT-5.5 (xhigh) 为 320——Progress Index 允许通过共享评估任务将相隔数年发布的模型联系起来，从而进行对比。这种方法确保了模型的得分反映其相对于所尝试任务难度的表现，而非反映在单次测试中使用的特定基准测试集。