在GPT-6 Astra评分引发质疑后，Artificial Analysis发布Intelligence Index v4.2，将Astra的得分调整为高于前代模型 4 分，同时加入AA-Briefcase和GDP.pdf两项新基准。
AI解读：Artificial Analysis这次更新核心是回应外界对GPT-6 Astra评分偏低的质疑：此前多项评测（包括OpenAI自己）都显示Astra领先明显，但该机构只给了它与前代持平的分数，引发公信力危机。v4.2里Astra比前代Sol高 4 分，但仍排在Anthropic的Claude Fable 5.1之后，位列第二。对普通用户来说，这个榜单变化不改变任何工具选择——你更该关注它新增的AA-Briefcase和GDP.pdf基准，前者测真实知识工作、后者测PDF文档分析，直接反映模型在办公场景的表现；如果这两项分数比综合排名更能说明问题，你选模型时可以单独参考。该机构同时把私有测试数据权重提到 40%，目的就是防止厂商针对公开题刷分，这对所有评测使用者都意味着更高的可信度。需要明确的是，榜单只是参考，OpenAI等其他评测仍显示Astra遥遥领先，具体差异原因尚未公开。
Artificial Analysis已发布其Intelligence Index 4.2版，据The Decoder报道，此举可能是为了回应其基准测试未能捕捉GPT-6 Astra实际进展的批评。此前多项评估（包括OpenAI自家的评测）均显示Astra大幅领先其他模型。
在更新后的指数中，GPT-6 Astra的得分比其前代模型高出 4 分。Anthropic的Claude Fable 5.1仍居榜首，Astra位列第二，Meta的模型排名第三。
该指数新增了两项基准测试：AA-Briefcase（用于评估真实世界知识工作能力）和Surge AI的GDP.pdf（用于PDF文档分析）。GPQA-Diamond因模型已解决而被移除。
Artificial Analysis表示，为防止刷分，私有测试数据目前占权重 40%。该公司还修复了多项基准评分错误，并调整了评分系统以保证结果稳定。
评分调整与排名变动
新版指数发布前，Artificial Analysis对Astra的评分与其他评测机构的结论相矛盾。Epoch AI将Astra排在 267 个模型中的第一位，分值为 169 分，测评覆盖了 50 多个基准；ARC-AGI-3的测试则显示，根据所用测试环境的不同，Astra有大幅或非常大的进步。而Artificial Analysis最初只给Astra与前代持平的分数。
更新后，Astra较其前代Sol提升 4 分，此前两个OpenAI模型的分数持平。据Artificial Analysis称，Astra每项任务使用的token数量低于其他所有前沿模型。
新增基准与测试改进
v4.2中引入的新基准AA-Briefcase针对现实世界知识工作，GDP.pdf来自Surge AI，用于PDF文件分析。GPQA-Diamond因为已被现有模型解决而退役。
为防止厂商针对公开测试数据训练，私有测试数据权重提高到 40%。此外，新版本修复了若干基准的评分错误，并调整了评分系统以确保结果更稳定。
更新原因与后续计划
Artificial Analysis称，它推迟更新是为了在重大模型发布期间保持分数稳定，但排行榜头部变动太快，不得不进行临时更新。据The Decoder报道，该公司表示v5已开发八个月，将分阶段推出。