新上线今天123 投票
AI智能指数v4.2发布：更贴近真实应用，防作弊升级
人工智能分析机构（Artificial Analysis）于9月4日发布了其智能指数（Intelligence Index）v4.2版本，这是一次针对前沿模型快速演进的临时更新，旨在让指数更贴近真实世界应用，并通过增加私有测试集来防止模型“刷分”。
为何此时更新？
距离v4.0发布已过去8个月，机构原本计划直接推出v5版本，但近期前沿模型发展速度惊人，为了保持指数的时效性和参考价值，团队决定先行推出v4.2作为过渡。该更新引入了两项全新评估基准，并调整了权重策略。
新增AA-Briefcase与GDP.pdf评估
AA-Briefcase：这是机构内部开发的评估体系，采用私有测试集，模拟真实世界中的智能体知识工作。测试项目由行业专家构建，包含跨数周的项目任务、多个关联子任务以及数千份输入文件。评估结合了量规和成对比较，综合考察任务完成度、分析质量和演示质量，以全面衡量模型在知识工作场景中的智能体能力。
GDP.pdf：由Surge AI创建，该基准测试模型在长上下文文档推理方面的能力。模型需要处理100个PDF文档，涵盖十个领域，共计4,592页，包括文本、表格、图表、脚注和排除项。评分依据1,275条专家撰写的原子标准，只有满足所有标准才算通过（All-pass Rate），这要求模型具备极高的信息综合能力。
权重调整与防作弊
v4.2将40%的指数权重分配给私有测试集，以减少模型“刷分”的可能性。同时，GPQA Diamond（一个曾被视为科学推理标杆的测试）因已被多家模型饱和而移出评估体系。此外，评分基础设施也进行了升级，以提高鲁棒性。
展望未来
该机构表示，v5版本仍在开发中，未来将逐步发布更多增量更新。此次v4.2的快速发布体现了AI评测领域对模型能力变化的快速响应，也为用户提供了更贴近实际应用的模型能力参考。
