Artificial Analysis V5基准更新引发模型排名争论 · 话题榜 · TwKit

@CuiMao

恭喜Deepseek V5.1 Pro 在各项基准测试中超越了Opus5.5

@laopai1990

恭喜 Gemini 4 Carbon 成为全球最强模型！！ Pro 用户：不能用。 Ultra 用户：不能用。 API 开发者：不能用。 Artificial Analysis：全球第一。 Google：感谢大家观看。 我：🤬

@NFT_Chen

😂有人要难堪了！新基准海水退去，谁在裸泳一览无余！有些AI模型现原形了！ 基准大换血后，真相终于浮出水面： 1️⃣OpenAI模型彻底洗清“注水”嫌疑，分数坚挺、GPT-6 Astra排名回升，经得起新评估体系的严苛检验 2️⃣Muse Wonder、MiMo-V2.6-Pro、Step 5 Preview被严重高估，旧榜冲高、新榜暴跌，水分直接蒸发 3️⃣Kimi K3.1 Pro实至名归，拿下开源第一，稳定输出、不靠刷榜 4️⃣DeepSeek V4.1 Pro、GLM-5.3、Qwen 3.8性能真实可靠，新旧榜表现一致，硬实力经得起推敲 5️⃣Gemini 4 Argon真的不再是从前的哈吉米，新基准实力不降反升，真正的蜕变了 旧榜有多热闹，新榜就有多清醒！ #AI基准 #大模型评测 #Kimi #DeepSeek #OpenAI #裸泳时刻 #Gemini #GLM #MiMo #Step5 #Astra #Wonder

@rainwaterJay

🚨卧槽！ AI intelligence index V5 发布，deepseek v4.1 flash -1017 分数暴跌！ 从之前的 45 下降到目前的 32‼️

@Fei2411

前沿排名完全洗牌、开源闭源分数差距进一步拉大：来自 @ArtificialAnlys 的新基准： AA Intelligence Index V5。 这版测试和 V4.3 相比调整非常大，排名变化也非常大，尤其是前沿模型排名几乎完全洗牌：前三名由 Claude Opus 5.5、Sonnet 5.5、Muse Wonder Full 变成 Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol。其中 Astra ▲4、GPT-6.1 Sol ▲6，Sonnet 5.5 ▼2。 开源模型和闭源模型分数差距进一步拉大：原V4.3中，开源前沿 K3.1 Pro 和闭源前沿 Opus 5.5 差距为 3 分。在新的 V5 排行中，这个差距变为 12 分。其中 Kimi K3.1 Pro 排名 ▼5。 排名大幅变动的模型有：Astra ▲4、6.1 Sol ▲6、6.1 Terra ▲5、Muse Wonder Full ▼4、K3.1 Pro ▼5、Haiku 5.5 ▲6、MiMo V2.6 Pro ▼5 这个排名已经非常接近真实使用过程中的体验，是一个非常好的基准！

@Super_Nius

GPT Astra被低估了.....但国产被高估了啊... 考题一换成不公开的，原来的前十名当场洗牌 👀 测评机构 Artificial Analysis 把 AI 智能指数升到 v5，6 成题目不公开，没法提前背答案。 掉最狠的：Kimi K3.1 Pro 55→46，Muse Wonder 52→43，都是 -9；Muse Wonder Full 也 -6。 逆势涨的只有 OpenAI：GPT-6 Astra 53→57 冲到第二，GPT-6.1 Sol 52→55。 Claude Opus 5.5 还是 58，第一纹丝不动 🧊 以前分数挨得紧，有的是真本事，有的可能只是会考试。换卷子后谁裸泳一目了然 🫠

@Fei2411

这个榜还是有很多问题，我个人的一些看法： - GPT 的模型，如果你是通过 Codex 使用，至少降 3分来看，实际体验会降更多； - Terra 比 Fable 5.1 强完全就是扯，这个模型就是个弱智，不如 DeepSeek V4.1 Flash。 - Grok 4.7 换成 4.6，4.7 应该是 20 分，这个模型完全是前额叶缺失，实际表现应该和 Qwen 3.8 27B差不多。 - Haiku 5.5 和 DeepSeek V4.1 Flash 差不多，ds 被低估了。 - Muse 完全没用过，不评价。 加上这些改动，我觉得就比较准了，能反应我的实际体验。 @grok 根据这些绘制一个新的排行图片。

@bourneliu66

AA更新了算法。 在新的测评算法下， 1. GPT-6-Astra 与 Opus 5.5的差距并不大 2. 国产模型整体下滑。 国产模型和海外顶级模型的差距，大了许多。 3.Kimi K3.1 Pro仍然是遥遥领先其他国产模型、仍然是全世界开源模型的第一。 DeepSeek v4.1 Flash 、Qwen 3.8 Max、GLM 5.3 是国产模型的第二梯队。

@nicongdev

很多人没看懂主榜更新后，为什么 Fable 和国模全线滑坡 先说结论，在这个榜单里滑坡越严重的，实际上 Agent 前沿能力越拉，越不擅长通过 Agent 解决前沿问题 Artificial Analysis 主智能榜一直都比较缺少对 Agent 解决前沿问题能力的参考，这次加上了 Terminal-Bench 的科研版 Terminal-Bench-Science 以及 Devin 公司发布的 FrontierCode 2.0，主要评估的就是在 coding agent 前沿任务中的表现 顺带一提，很早就领先一步深耕 Agent 评测的 @xdotli 李向一老师的数据集，马上也要加入 AA 了，狠狠期待一波 https://x.com/ArtificialAnlys/status/2115265133467635877

@xluchuan

想不通 为什么 AA 把 60% 题目改为私有 国产大模型就集体掉分了

@leo114119

老实说，AA 这个 V5 将沦为野榜中的野榜。。。 但凡真正的用过这些模型，以下几个评分都是不可思议的： 1.Deepseek v4.1 Flash 32 分<<<Gpt 6.1 Terra 51 分。。。（实际使用不能说相差无几，顶多落后一点点吧） 2.Gpt 6.1 Terra 51 分>>Fable 5.1 49分（这两个模型甚至不在一个水平线上） 3.Deepseek v4.1 Flash 32 分 mimo v2.6 Pro 30 分....（mimo v2.6真的有人敢用来实际生产吗？） 以上几个评分完全是脱离实际使用体验，可以说是非常离谱的。。。。。 承认国模当前是落后的，甚至落后可能不止一点，都没问题，但这个榜绝对是有问题的。。。 https://x.com/ArtificialAnlys/status/2115265133467635877/photo/1