https://blog.huoke.me/tags/%E6%A8%A1%E5%9E%8B%E9%80%89%E5%9E%8B/Recent content in 模型选型 on Huoke.Me - 跨境生活，从理财开始！HugocnSat, 05 Sep 2026 17:43:00 +0800https://blog.huoke.me/posts/aa-index/Sat, 05 Sep 2026 17:43:00 +0800https://blog.huoke.me/posts/aa-index/<blockquote> <p>🎯 Artificial Analysis Intelligence Index v4.2的当日页面中，Claude Fable 5.1以57分领先，GPT-6 Astra以55分紧随其后。总榜适合筛选候选模型，真实选型还要看任务类型、单位成本和运行边界。</p></blockquote> <p><img src="https://blog.huoke.me/img/posts/aa-index/hero.webp" alt="Fable 5.1与Astra在Artificial Analysis总榜的当日分数" title="Artificial Analysis v4.2模型分数" width="1200" height="630" loading="lazy" decoding="async"> </p> <p>一张榜单很容易制造“第一名通吃”的错觉。v4.2恰好说明了相反的情况：Fable 5.1在综合指数领先，Astra在长文档推理、输出Token效率和部分自动化任务上表现突出。</p> <p>更重要的变化来自评测方法。Artificial Analysis增加了复杂知识工作与PDF推理测试，把私有留出测试的权重提高到40%，用来降低针对公开题库刷榜的空间。</p> <hr> <h2 id="-v42到底改了什么">📌 v4.2到底改了什么</h2> <p>Artificial Analysis在2026年9月4日发布<a href="https://artificialanalysis.ai/articles/artificial-analysis-intelligence-index-v4-2" target="_blank" rel="noopener noreferrer">Intelligence Index v4.2</a> 。这次中期更新包含四项关键调整：</p> <table> <thead> <tr> <th>变化</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>加入AA-Briefcase</td> <td>测试多周、关联任务很多的专业知识工作</td> </tr> <tr> <td>加入GDP.pdf</td> <td>测试跨4,592页PDF的长文档推理</td> </tr> <tr> <td>移除GPQA Diamond</td> <td>该科学推理评测已接近饱和</td> </tr> <tr> <td>私有测试权重升至40%</td> <td>v4.1的约两倍，减少公开题库适配</td> </tr> </tbody> </table> <p>AA-Briefcase使用私有留出任务，项目由行业专家设计，包含多个相互关联的任务和大量输入文件。它同时看任务成功、分析质量和交付呈现。</p> <p>GDP.pdf由100份PDF、10个领域和1,275个专家标准构成。All-pass Rate要求一项任务的全部标准都通过，评分很严格。</p> <hr> <h2 id="-总榜给出的答案">📊 总榜给出的答案</h2> <p>截至2026年9月5日抓取的v4.2页面，领先配置如下：</p> <table> <thead> <tr> <th>模型配置</th> <th style="text-align: right">Intelligence Index</th> </tr> </thead> <tbody> <tr> <td>Claude Fable 5.1 Max（带默认fallback）</td> <td style="text-align: right">57</td> </tr> <tr> <td>GPT-6 Astra Max</td> <td style="text-align: right">55</td> </tr> <tr> <td>GPT-6 Astra Xhigh</td> <td style="text-align: right">54</td> </tr> </tbody> </table> <p>Fable 5.1的领先配置启用了Anthropic默认服务端fallback。Artificial Analysis此前披露，相关安全触发请求可能路由到其他Claude模型，因此这个分数代表实际服务配置，而非纯粹单模型隔离测试。</p> <p>榜单会随着评测版本、重跑结果和页面更新而变化。引用时应同时记录日期、版本、努力档位、fallback和Agent外壳。</p> <hr> <h2 id="-分项结果为什么更有用">🧪 分项结果为什么更有用</h2> <p>v4.2官方说明显示，不同模型在新增测试上形成了分工：</p> <table> <thead> <tr> <th>评测</th> <th>领先方向</th> <th>读法</th> </tr> </thead> <tbody> <tr> <td>AA-Briefcase</td> <td>Fable 5.1与Opus 5靠前</td> <td>更接近复杂专业知识项目</td> </tr> <tr> <td>GDP.pdf</td> <td>Astra 33.2% All-pass</td> <td>适合观察合同、财报、技术PDF等严格文档任务</td> </tr> <tr> <td>输出Token效率</td> <td>Astra位于前沿</td> <td>接近相同综合分时，用更少输出Token</td> </tr> <tr> <td>综合指数</td> <td>Fable 5.1领先</td> <td>广泛推理、知识、数学和编码的组合结果</td> </tr> </tbody> </table> <p>GDP.pdf中，Astra为33.2%，GPT-5.6 Sol为28.2%，Fable 5.1为26.2%。这项测试采用严格的全通过口径，适合看模型能否同时处理正文、表格、图表、脚注和排除条件。</p>