打开任何一个 AI 排行榜，排在前面的基本是那几张脸。
往下翻，分数出现了。58 分，32 分。差 26 分。
大部分人看到这里就合上页面了。差这么多，选第一就是了。
10 月 28 日，做这件事的机构 Artificial Analysis 把尺子换了一根，Intelligence Index 升到 v5。这是自 2026 年 1 月 v4 上线以来，幅度最大的一次基准重构。
换完之后，模型的名次没怎么变。变的是那些数字的意思。
算分的方法动了三处
第一处，也是最要紧的一处：60% 的评测权重，第一次建立在私有测试集或隐藏答案之上。
以前的题是公开的。公开就意味着能拿去练。练过的题再考一遍，分数自然好看。这一改，刷题的路堵了一大半。
第二处，权重怎么分。整个指数由九项评测构成，知识工作、编码、科学、通用能力各占 25%。编码这 25% 里面，Cognition 同日发布的 FrontierCode 2.0 独占 15%，Terminal-Bench 4.0 占 10%。
第三处，编码那 15% 换了判卷方式。
FrontierCode 2.0 的 132 项任务，全部来自真实开源仓库。判分的不是测试脚本跑没跑通，而是那个仓库的维护者，按「愿不愿意合并这个 PR」来打分。
还有一条更硬：任何一项阻塞性检查失败，直接记零分。
Cognition 在 6 月推出初版时讲过理由。传统基准只检查代码能不能跑通。
可合并决策还要看三件事：改动范围是不是克制、风格跟代码库一不一致、回归风险可不可控。这些测试覆盖不到。
说得直白一点，从「能不能跑」改成「能不能上」。
开源和榜首的差距，从 3 分变成 12 分
Artificial Analysis 自己在报告里点了一句：v5 真正加剧的，是开源和闭源前沿之间的整体距离。
v4.3 的时候，最强开源模型和榜首差 3 分。v5 把大部分公开题换成私有题、又加重了智能体实战任务的比重之后，这个数字变成 12 分。
3 分是什么概念？大概是一道题多写对两行。12 分呢？是整块能力没跟上。
也有个容易看错的地方。Kimi K3.1 Pro 拿了 46 分，名义上是最强的开源权重模型。
但它的权重按月之暗面官方博客的说法，要到 11 月 4 日前才发布。AA 在报告里直接标了「weights not yet released」。
已经发布权重的模型里，32 分是当前的天花板，DeepSeek V4.1 Flash 和 GLM-5.3 并排站在那儿。
榜首是 Claude Opus 5.5，58 分。
就在这份报告发出第二天，谷歌发布了 Gemini 4 Carbon。谷歌的说法是，它在 v5.0 上综合 59 分，排第一。
这个数字我没有在 AA 的原始榜单上核对过，只能算谷歌单方面公布。
差距最刺眼的是两项。HLE-Diamond，Kimi K3.1 Pro 37%，Claude Opus 5.5 68%。Terminal-Bench-Science，Kimi K3.1 Pro 34%，GPT-6 Astra 63%。
单项三四十，对六七十。这不是一两道题的差距。
单项第一和总分第一，常常落在两个模型身上
这份榜单里我觉得最值得看的一段，是 DeepSeek V4.1 Flash 的成绩。
在 FrontierCode 2.0 这一项上，它（max 档）拿到 28%，是所有已发布权重模型里最高的一个。跟在后面的是 Gemini 4 Argon 的 25.7%、Kimi K3.1 Pro 的 25.5%、GPT-6 Luna 的 25.2%。
可它的综合分只有 32 分。落后榜首 26 分，也低于 Claude Haiku 5.5 的 36 分。
单科第一，总分垫在后面。这两个数字放在一起，说明的事情很具体：它在一件事上很强，在别的事上没跟上。
AA 还统计了一件事，九个单项里没有任何一个模型全部领先。
Claude Opus 5.5 拿下 FrontierCode 2.0、HLE-Diamond 和 AA-Omniscience 三项。GPT-6 Astra 在 Terminal-Bench-Science 和 CritPt v2 的困难子集上居首。Kimi K3.1 Pro 在 Terminal-Bench 4.0 上以 67% 领先。
单项优势分散到这个程度，比总分排名更有信息量。
同一个模型，档位不同差 23 分
这一条平时最少被提到，但对你花钱最直接。
v5 把「努力值」，也就是思考等级，单独拆出来测了。
Claude Opus 5.5 从低努力档跨到 max 档，分数差 23 分。单任务成本从 0.98 美元升到 10.04 美元，大约 10 倍。
Claude Sonnet 5.5 在不同努力档之间的分差，从 v4.3 的 20 分扩大到 29 分。GPT-6.1 Sol 的跨度翻倍到 20 分。
同一个模型，省钱模式和全力模式的表现，差得已经不像一个模型了。
价格这一项也拉开了。得分最高的十款模型里，GPT-6.1 Terra 每任务成本最低，0.96 美元；Claude Fable 5.1 最高，13.04 美元。差超过 13 倍。
还有一个新东西跟着 v5 一起发，叫 Progress Index v1。它处理的是另一个问题：榜单每隔几个月就换一次，不同年代的模型怎么放在同一把尺子上比。
做法是把 2022 年 11 月以来发布的主要语言模型，映射到一个连续的能力尺度上，方法参考了 Epoch AI 的 Epoch Capabilities Index。Intelligence Index 回答「现在的前沿在哪」，Progress Index 回答「能力随时间怎么走」。
这是两个问题，不能混着看。
那这个榜该怎么用
说三个我自己的用法，不算标准答案。
先写清单，再看榜。 把你要它干的活一件一件列出来，然后去榜单里找对得上的单项，只盯那一项。
别先看总榜第一，再回头想它能干什么。顺序反了，钱容易白花。
记档位，不只记模型名。 榜单上那一行成绩，多半是最高档、最贵那次跑出来的。你按那个分数做预算，真跑起来对不上账。
把它当筛子，不当尺子。 榜单能帮你排掉明显不合适的，排不出最合适你的那一个。
分数是别人给的，账单是自己付的。
换考卷这件事，比换出来的名次更值得盯。
最后说一句边界。这份报告我只看到媒体转述的版本，AA 的完整方法论文档没有逐页核。
FrontierCode 2.0 由维护者打分这条，具体怎么防主观，目前没有定论。
所以上面这些数字，你可以当成「这一版尺子的读数」，不要当成模型能力的最终结论。