Artificial Analysis发布智能指数v4.2：新增AA-Briefcase与GDP.pdf评测，40%权重采用私有测试集
Anthropic的Claude Fable 5.1领跑指数，OpenAI的GPT-6 Astra紧随其后；新增评测覆盖多周知识工作项目与4592页长文档推理，私有测试集权重翻倍以防止刷分。
AI解读：AI模型评测机构Artificial Analysis在模型快速迭代的压力下，将原计划用于v5版本的部分内容提前到v4.2发布，核心是把评测从静态问答推向更接近真实工作的智能体任务。新增的AA-Briefcase要求模型完成跨数周、涉及数千个源文件的项目型知识工作，GDP.pdf则让模型在4592页的专业文档中跨文本、表格、图表和脚注综合证据，这两项测试都使用私有试题集，且私有测试集在总权重中的占比从v4.1的约20%提高到40%，以减少模型厂商针对公开题目训练刷分。当前结果中，Anthropic的Claude Fable 5.1在总指数上领先，OpenAI的GPT-6 Astra在GDP.pdf上得分最高（33.2%），并在输出token效率上接近前沿最优——这意味着企业客户在选择模型时可以更清楚地知道：如果任务涉及长文档分析或多步骤代理工作，GPT-6 Astra和Claude Fable 5.1这类模型仍有明显优势；而评测权重向私有测试倾斜后，厂商声称的分数将更难通过记忆题海获得，普通用户可更信任榜单差异反映的是真实能力差距。
Artificial Analysis于2025年发布智能指数（Intelligence Index）v4.2，将原计划v5版本的部分更新提前落地，以应对近几周前沿模型快速迭代带来的评测滞后问题。v4.1版本发布于数月前，v4版本在2025年1月推出（注：原文发布于2025年，但具体月份未明，按8个月推算为1月）。
v4.2的核心变化包括：新增AA-Briefcase（智能体知识工作评测）和GDP.pdf（长上下文文档推理评测），两者均采用私有留出测试集；将私有测试集权重从v4.1的约20%提升至40%；改进评分基础设施，增强评测鲁棒性。同时，GPQA Diamond（一项高难度科学推理评测）因已被模型“刷满”而移除。
新增评测：AA-Briefcase与GDP.pdf
AA-Briefcase是Artificial Analysis自研的评测项目，使用私有留出测试集，由行业专家设计复杂项目场景，考察模型在真实智能体知识工作任务中的表现。评测模拟持续数周的知识工作项目，每个项目包含多个关联任务和数千个输入源文件。评分结合量规（rubric）与成对比较（pairwise grading），评估可验证的任务完成度、分析质量和呈现质量，以衡量模型在知识工作中的整体智能体能力。
GDP.pdf由Surge AI创建，用于评测单轮专业文档推理能力。测试覆盖100份PDF、十个领域，共4592页，模型需要综合分散在文本、表格、图表、脚注和排除条款中的证据。回答由1275条专家撰写的原子化标准评分，标题指标“All-pass Rate”仅在任务满足所有标准时才计为通过。
AA-Briefcase结果：Claude Fable 5.1和Opus 5领先，随后是GPT-6 Astra和Muse Spark 1.3。GPT-6 Astra较GPT-5.6 Sol有约85 Elo分的显著提升。GDP.pdf结果：OpenAI的GPT-6 Astra以33.2%的All-pass Rate领先，GPT-5.6 Sol以28.2%紧随其后，Claude Fable 5.1以26.2%位列第三。
权重调整与评分基础设施升级
v4.2中，指数总权重的40%来自私有留出测试集，是v4.1的两倍。留出数据包括AA-Briefcase、AA-Omniscience和CritPt的解法。Artificial Analysis表示，这降低了实验室针对评测刷分的可能性，并计划在v5中进一步提高留出测试集占比。
评分基础设施方面：在AA-LCR v1.1中增加了评分系统提示词，修正了答案键中的错误和歧义，提高评分准确性；对GDPval-AA v2和AA-Briefcase改进采样并重新锚定Elo量表，使评分在新模型加入时更稳定；对SciCode改进评分沙箱的鲁棒性，避免正确但运行较慢的代码被误判为失败。
此外，Artificial Analysis明确表示，v4.2是临时更新，v5仍在开发中，未来将推出更多增量发布。v5的规划已进行了数月，v4发布至今约8个月。
主要结果：Anthropic与OpenAI领先
总指数排名中，Anthropic的Claude Fable 5.1位居第一，OpenAI的GPT-6 Astra紧随其后，较GPT-5.6 Sol有4分的提升。Meta位列第三，随后是SpaceXAI、Moonshot/Kimi、Z.AI和Google。
在“Cost per Task”帕累托前沿上，Anthropic、OpenAI、Meta和Z.AI四家实验室并列。在输出token效率方面，GPT-6 Astra比接近智能前沿的几乎所有其他模型都更高效。Claude Fable 5.1、Grok 4.5和Gemini 3.5 Flash-Lite位于该曲线的两端（排除了指数低于25的模型）。