换了张考卷，国产模型掉了 13 分：AA v5 的 17 个事实

10 月 27 日，Artificial Analysis 发布 Intelligence Index v5。AA 的发布帖有 200 万次浏览。新版一上线，几乎所有模型都掉了分，国产模型掉得最多：同一批模型，换一套题，平均少了 12.4 分。

国产模型是被针对了，还是在旧榜上本来就虚高？下面 17 个事实，全部来自 AA 公开的分数和方法论。

1. 考卷换掉了三成，而且大部分看不到

v4.3.2 的 25% 权重被删掉，v5 的 30% 是新加的；60% 的权重落在私有题上。

被删的是 GDPval-AA、SciCode 和长上下文测试 AA-LCR。新加的是 Cognition 出的私有代码基准 FrontierCode 2.0，和在终端里做科研任务的 Terminal-Bench-Science，各占 15%。HLE 换成精修版 HLE-Diamond，CritPt 换成 40 道私有难题，AA-Omniscience 升到 v1.1。

AA 自己的说法是：这是 v4 以来最大的一次升级，第一次让指数的大部分建立在私有数据上。

2. 不只是国产，几乎所有模型都在掉分

前后两版都有分的 77 个模型条目里，只有 8 个涨分。

涨分的 8 个全是 Anthropic 和 OpenAI 的顶配：Opus 5.5 max/xhigh，GPT-6 Astra 的 max/xhigh/high/medium，GPT-6.1 Sol 的 max/xhigh。Opus 5.5 max 从 57.6 到 58.4，Astra max 从 52.7 涨到 56.9，Sol max 从 51.8 涨到 54.5。

剩下的全在掉：Claude Sonnet 5.5 max 掉 1.8，Gemini 4 Argon 掉 2.1，Meta 的 Muse Wonder Full 掉 6.1。

3. 但国产掉得约是别人的两倍

17 个国产模型条目平均 -12.4 分，其余 60 个平均 -6.8 分。

“只有国产在掉”不对，“国产没有特别掉”也不对。所有人都在退潮，国产退得更快。

4. 同一分数段比，国产仍多掉约 6 分

v4.3.2 时同在 42–47 分的模型：国产平均 -13.9，其他平均 -8.2。

国产模型在旧榜上大多挤在 42–47 分，这个区间本身就是重灾区：美国的 Grok 4.7 三个档位都掉了 11–12 分。但同区间对比，国产还是比别人多掉了 5.7 分。

5. 掉得最狠的是小米

MiMo-V2.6-Pro：46.3 → 29.9，-16.4 分，从第 27 名跌到第 45 名。

阶跃 Step 5 Preview 掉了 15.2，蚂蚁 Ling 3.1 Flash 1019 掉了 14.4。Ling 在 v5 上线前一天刚拿到 43.9 的旧版分数，第二天就成了 29.5。

6. Kimi 从第 5 跌到第 22，仍是开放权重第一

Kimi K3.1 Pro：55.1 → 46.0。

在旧榜上，Kimi K3.1 Pro 排第 5，压过 GPT-6 Astra；到了新榜，它落后 Opus 5.5 12.4 分。AA 把开放权重和闭源头部的差距从 3 分改写成 12 分，算的就是 Kimi。不过 Kimi K3.1 Pro 的权重还没放出来。

7. 能下载的最好模型，排在 Haiku 后面

DeepSeek V4.1 Flash 1017 32.5、GLM-5.3 31.7，Claude Haiku 5.5 36.2。

已发布权重的模型里，最高分的就是这两个，落后榜首 26 分，也低于 Anthropic 的小模型 Haiku。这一条点燃了 X 上的反弹：开发者 Alexey Fateev 说他每天在 4 张 3090 上跑 DeepSeek，“一秒也不信 Haiku 比它强”，帖子拿到 2,895 个赞、17 万次浏览。

8. 单项差距最大的，是新加的科学终端题

Terminal-Bench-Science：Opus 5.5 59.0%，DeepSeek 12.9%，GLM 9.5%，MiMo 5.7%，阶跃 2.4%。

这项考的是在命令行环境里连续做科研计算任务，权重 15%。v5 每题输出 token 的中位数从 3.5 万涨到 5.9 万，这一项就吃掉约三分之一。国产条目这一项的中位数是 4.1%，其他模型 13.6%。

不只是国产会在这里失分：Grok 4.7 只有 4.8%，Claude Haiku 5.5 也只有 20.0%。

9. 26 分差距里，科学终端一项占了 7 分

按 AA 公布的权重和分项成绩复算：DeepSeek 在这一项上少拿 6.9 分，GLM 7.4，Qwen 7.1，MiMo 8.0。

这四个模型和 Opus 5.5 的总差距在 25–28 分上下，科学终端约占其中 27%–30%。第二大缺口是 HLE-Diamond，4–5 分；第三是 FrontierCode 2.0，约 3 分。

Kimi 是例外。它的差距只有 12.2 分，分散在各项上，其中科学终端 3.7 分，HLE-Diamond 3.1 分，FrontierCode 3.1 分。

10. 旧 HLE 换成 HLE-Diamond，头部涨、国产跌

Opus 5.5 61.4% → 67.9%；GLM-5.3 42.3% → 17.9%，MiMo 49.4% → 15.2%。

国产模型在这项上平均掉 18.4 个百分点，其他模型平均掉 8.4。

这一项有一部分是结构性的。旧 HLE 用的是 2,158 道纯文本题；HLE-Diamond 共 1,000 题，其中 272 道带图，不支持图像输入的模型只能拿到文字，但仍按 1,000 题计分。对纯文本模型来说，这是一笔考前就定下的扣分。

11. 被删掉的三项，恰是国产差距最小的

GDPval-AA：Opus 5.5 1866，Kimi 1858，DeepSeek 1746，GPT-6 Astra 1584。

长上下文测试 AA-LCR 前三全是国产：阶跃 88.3%，Kimi 和 MiMo 都是 86.3%，Opus 5.5 是 84.7%。SciCode 上 MiMo 60.9%、Kimi 60.8%，落后 Opus 6 个点，但领先 GPT-6 Astra。

这三项合计占旧指数的 25%。删掉它们，国产模型失去的是一块不落下风的地盘。

12. 新代码题：最好的开放模型落后 18 个点

FrontierCode 2.0：Opus 5.5 46%，DeepSeek V4.1 Flash 28%。

这是 Cognition 的私有基准，评判标准是仓库维护者会不会合并 agent 提交的修改。GPT-6 Astra、Terra 和 Sonnet 都在 42%，Kimi 25.5%，GLM 21.6%，阶跃 12.0%。

13. 知识题也换了版本，两款国产模型分数转负

AA-Omniscience v1.1：MiniMax M3.1 Flash 从 16 分降到 -6 分，MiMo V2.6 Pro 从 8 分降到 -5 分。

这项分数可以为负。v1.1 删掉了已经饱和、已经公开的题目，补了新题。全体平均只降 1.9 分，中位数 0.6；AA 点名降幅最大的两个都是国产。

14. 新的第一名，你用不到

Gemini 4 Carbon 10 月 28 日上榜，59.4 分，比 Opus 5.5 高 1 分。

它在 9 项里领先 4 项：HLE-Diamond、科学终端、知识准确和 AutomationBench。它的幻觉率是 11%，Opus 5.5 和 GPT-6 Astra 都是 50%。但 AA 原话是，Carbon 正在“向部分用户推送，尚未公开可用”，榜单上它的标签是“No publicly available API”。

15. 同样 32 分上下，价格差 17 倍

每道指数任务的成本：DeepSeek V4.1 Flash $0.60，Qwen3.8 Max $10.02。

两者分数只差 1.1 分，Qwen3.8 Max 的单题成本和第二名 Opus 5.5 max（$10.04）几乎一样。在另一端，GPT-6.1 Sol max 只比 Opus 低 4 分，成本却只有八分之一，每题 $1.27。

16. 同一个模型，档位能差出 24 分

Claude Opus 5.5：low 34.5 分（$0.98），max 58.4 分（$10.04）。

GPT-6.1 Sol 的 low 到 max 是 34.5 到 54.5 分，差距从 v4.3 的 10 分扩大到 20 分。v5 的任务更长，推理预算多一档，分数就高一截。厂商宣传时报的是哪一档，现在差别更大了。

17. 一半是水分，一半是真差距

私有题挤掉了旧题上可能的背题红利，但科学终端和新代码题上的差距，跟背题无关。

“非典型 CFO”的总结最准确：一半是虚的消失了，一半是实的露出来了。尺子变严了，裁判也更没人监督了。

Nathan Lambert 的态度是五五开：私有基准往往显示开放模型差得更远，但私有基准的问题在于，没有社区帮你挑出那些必然存在的 bug。也有人觉得新榜更接近体感，日本开发者 @ymg_aq 说，性能看 Opus 5.5、性价比看 GPT-6.1 Sol，中国开放模型没有旧基准上显示得那么强。

新榜单第一名调不到 API。能下载权重的模型里，最好的排第 38。

资料来源：Artificial Analysis 官网（v5 发布文章、方法论页、排行榜，2026-11-01 抓取）；v4.3.2 分数取自 2026-10-26 01:02 UTC 的 Wayback 存档；Gemini 4 Carbon 评测文章（2026-10-28）；AA-Omniscience v1.1 说明帖；Interconnects。排名把每个推理档位单独算一行。