artificial-analysis

本文批评了Artificial Analysis Intelligence Index作为一个毫无意义的基准，质疑其在比较像Qwen 27B这样的LLM与更大模型如GPT-5.2和Opus 4.6时的有效性。

本文对GLM-5.3人工智能模型进行了详尽的基准分析，评估了其在Artificial Analysis的多项测试中的智能水平与性能表现。

在 Simon Willison 的博客文章中强调，Qwen 3.8 27B AI 模型在 Artificial Analysis Intelligence Index 上取得了 52 分。

Qwen3.8 27B 在 Artificial Analysis Agentic Index 上优于 Opus 5 Medium，凸显了其在代理任务中的强大能力。

SpaceXAI的Grok 4.6在Artificial Analysis Intelligence Index中得分61，与GPT-5.6 Sol和Claude模型一起跻身前沿，以较低成本展现出强大的智能体性能。

这篇文章批评了 Artificial Analysis 的智能指数，声称突然的 v4.1.1 更新重新调整了指标权重，使开源模型 Qwen 3.8 Max 的排名降至 Anthropic 的 Claude Opus 之下，暗示存在偏见或赞助商影响。

Qwen3.8 Max 目前在 Artificial Analysis 的智能体指数中排名第一，在独立评估中超越了其他领先的AI模型。

Reddit 帖子分享了 Qwen 3.8 Max 的 Artificial Analysis 分数，称赞它是 Opus 4.7 的廉价替代品。

Omar认为AI模型的token效率被低估，并引用Artificial Analysis的报告，指出DeepSeek完成基准测试任务的成本比Fable低105倍。

有用户基于线性回归预测，DeepSeek V4 Flash 0731 在 Artificial Analysis 上的评分将达到 57±1，与 Kimi K3 水平相当。该帖对其价格下的模型性能表示兴奋。

Opus 5 已荣登 Artificial Analysis Intelligence Leaderboard 榜首，该排行榜通过多个基准测试评估AI模型，包括 Artificial Analysis Intelligence Index 和 AA-Briefcase。

文章批评微软人工智能的编码模型表现逊于Kimi K3和Deepseek V4等竞争对手，暗示尽管资源雄厚，MAI仍远远落后。

Kimi K3 模型在 ArtificialAnalysis 基准测试中排名第三，超过了 Claude Opus 4.8。

人工智能分析报告了 Muse Spark 1.1 AI 模型的基准测试结果，并提供了性能指标。

Artificial Analysis 的基准测试显示，OpenAI 的 GPT-5.6 Sol 在智能方面几乎与 Claude Fable 5 相当，但成本仅为后者的三分之一；在编程智能体评测中领先；并引入了缓存写入定价。

SpaceXAI的Grok 4.5在人工智能分析智能指数上获得54分，排名第四。

提供对 Claude Sonnet 5 在各项基准测试中的性能分析和比较。

使用Artificial Analysis Intelligence Index和其他基准测试分析开源权重与闭源大语言模型之间的差距，发现在某些指标上差距正在缩小，但在其他指标上保持稳定。

智谱AI的GLM-5.2已成为Artificial Analysis Intelligence Index上新的领先开源权重模型，得分为51，超越了MiniMax-M3和DeepSeek V4 Pro等竞争对手。该模型拥有744B总参数、40B活跃参数、MIT许可证和1M上下文窗口。

根据 Artificial Analysis 的 Intelligence Index，GLM-5.2 (max) 目前整体上排名第三，包含对智能性、开放性、成本和令牌使用量的详细分析。