智能指数 v5 换了暗题库，开源闭源差距被拉到 12 分

榜单没让谁变笨，它只是换了把更严的尺子。

一、发生了什么

据 IT之家 10 月 29 日报道，榜单机构 Artificial Analysis 于前一日发布 Intelligence Index v5，是自 2026 年 1 月 v4 以来最大的一次重构。最大的变化在题源：六成评测权重首次落在私有测试集或隐藏答案上，压缩公开题被训练数据吃掉的空间。综合榜上，Claude Opus 5.5 以 58 分居首，Claude Haiku 5.5 为 36 分，DeepSeek V4.1 Flash 与 GLM-5.3 同为 32 分——已发布权重模型的天花板。最强开源与榜首的差距，从 v4.3 时的 3 分扩大到 12 分。编码单项 FrontierCode 2.0 换了评分逻辑：132 项任务取自真实开源仓库，由仓库维护者按「愿不愿意合并这个改动」打分。DeepSeek V4.1 Flash 1017 在该项拿到 28%，是已发布权重模型里最高的。该机构口径显示，v5 还同步推出 Progress Index，把 2022 年 11 月以来的模型放进同一把时间尺。另一个被放大的变量是推理档位：据报道，榜首模型从省钱档开到全力档，分数能差二十多分，单任务成本相差约十倍；得分最高的十款模型里，每任务成本最低与最高相差超过十三倍。九个单项里没有任何一个模型全部领先，单项优势的分散程度比总分更值得细看。

二、跟你有什么关系

选型的人，别再拿新旧榜单分数直接对比，v4 的分和 v5 的分不是一个东西。开源模型的使用者，要接受一个现实：在更难的暗题下，与闭源前沿的差距比原来显示的大。买 API 的团队，同一模型不同推理档位的成本差被 v5 摆上了台面，省钱档和全力档的结果可能差出一个模型代际。

三、怎么判断

1. 先看题源构成再相信分数：私有题占比高的榜单，更接近「没背过题」的真实能力。
2. 单项榜比总分有用：这版九个单项没有任何一个模型全占，你的场景对应哪个单项，就去查那一项。
3. 把推理档位记进成本账：有的模型低档到高档差二十多分，单价差十倍，混着算预算会失真。
4. 警惕跨版本对比：拿模型在 v4 的分数和竞品在 v5 的分数排座次，是选型报告里最常见的错。

四、三个别信的说法

开源模型一夜退步了。 分数下滑主要来自口径收紧，挤掉的是靠公开题刷出来的水分，不是能力消失。

榜单第一名就是你要买的。 榜首 58 分的另一面是单任务成本最高一档，性价比要按你的任务量另算。

编码分数等于代码质量。 新口径由仓库维护者的合并意愿打分，测的是「改得让社区接受」，这比「测试通过」苛刻得多，两码事。

榜单改版是机构在折腾。 换尺子的动因很实际：模型厂商会拿公开题练手，评测若不换题，分数迟早失真，先改口径的机构反而更可信。

分数挤水分对谁都没好处。 对按榜采购的企业是好事——以前买到的可能是「背题能力」，现在买到的更接近真实干活水平。

五、一句话结论

榜单改口径不是折腾，是逼着分数离真实能力更近一步；看懂尺子，比记住名次有用。

信息来源

• IT之家：Artificial Analysis 智能指数 v5 基准上线（2026-10-28）

功能与价格以官方公告为准。本文写于 2026 年 10 月 29 日。