评测变难开源模型被拉开 12 分：Intelligence Index v5 读什么

一、先看分数，再看「花多少钱」

v5 不再只是一张虚荣榜。官方线程给出了头部模型的每题成本（按 Index 任务加权）：

• Claude Opus 5.5（max）：约 $10.04 / 题，综合 58
• GPT-6 Astra（max）：约 $6.24，综合 57
• GPT-6.1 Sol（max）：约 $1.27，综合 55

也就是说，Sol 用大约 八分之一 的成本，换到距离 Opus 不到 4 分 的位置。对真正要跑 Agent、写代码、做科研工作流的团队，这比「谁多 1 分」更有用。

开源侧，Artificial Analysis 写明：权重尚未公开的 Kimi K3.1 Pro 以 46 分排在开源相关名单前列；已经公开权重的模型里，DeepSeek V4.1 Flash 1017（max） 与 GLM-5.3（max） 最高约 32。和闭源第一名的 12 分落差，是本轮讨论里传播最广的一句。

二、v5 到底改了什么

官方把变化讲得很直白：

• 1. 私有化：约 60% 的综合分来自带私有测试集或保留答案的评测，目的是降低「刷公开题」的污染。
• 2. 新增两项重磅基准：FrontierCode 2.0（真实开源仓库、能否合并式改动）和 Terminal-Bench-Science（终端里的科研工作流）。
• 3. effort 差距被放大：同一 Claude Opus 5.5，低 effort 只有 35，max 到 58，成本大约从 $0.98 跳到 $10.04。对比模型时，不对齐 effort，等于没比。
• 4. 同步上线 Progress Index v1：试图把 2022 年 11 月以来的模型放在同一能力刻度上，方便看「代际」而不是单次刷分。

权重结构上，知识工作、编程、科学大约各占四分之一量级（其余含 HLE-Diamond、AA-Omniscience 等）。没有哪个模型通吃全部子项：Opus 在若干项领先，科学类终端任务上 Astra 等也有单项第一。

三、这对中文读者意味着什么

第一，公开榜的营销话术会更难写。 「我们在某某公开集追平 Opus」这类句子，含金量下降；采购和自建团队应更看私有业务集与成本。

第二，闭源内部在打性价比战。 Sol 的位置说明：不是只有「最贵最强」一条路。结合 OpenAI 正在推的更便宜电脑使用模型（如社区热议的 GPT-6.1 Terra），产品线在按场景分层。

第三，开源「全面追平」叙事需要降温。 12 分不是永恒真理，但是对「本地一小模型 = 云端旗舰」的宣传是一盆冷水。端侧、专向微调仍有空间（今天小红书写的 Liquid LFM3 就是另一条赛道），但不要和 Index 榜首混为一谈。

第四，读榜必看 effort 与美元。 以后转载任何「第一名」截图，先问：max 还是 low？每题多少钱？

四、还需要警惕什么

• 私有集不可复现，第三方难以逐题复核。
• Index 是加权综合，不代表你的客服、法务或嵌入式场景。
• 模型名与版本迭代极快，引用时请落到具体日期与 effort。

一手材料都在：Artificial Analysis 公告、官网 Index 页、@ArtificialAnlys。