智能指数v4.2下掉饱和的GPQA，私留测试权重翻倍
发布日期：2026-09-15
事件概述
Artificial Analysis 发布 Intelligence Index v4.2 中期更新，新增 AA-Briefcase（agentic 知识工作）评估与 Surge AI 的 GDP.pdf 长文档推理测试，同时下掉已经饱和的 GPQA Diamond，并把私有保留测试集的权重从 20% 翻倍到 40%；重排后 Claude Fable 5.1 领跑、GPT-6 Astra 第二。
核心要点
- 新增：AA-Briefcase（agentic 知识工作）+ GDP.pdf（长文档推理）
- 移除：GPQA Diamond——已饱和、区分度不足
- 权重：私有 held-out 测试权重由 20% 提高到 40%，对抗公开榜单过拟合
- 排名：Claude Fable 5.1 第一，GPT-6 Astra 第二
行业意义
评测体系自身正在被“数据墙”逼着更新：当公开基准被刷到饱和，评测就必须转向私留集与长任务。判断模型是否真的在进步，要看评测有没有跟着更新，而不是只看分数涨没涨。