Artificial Analysis 发布评测指数 v4.2，Claude Fable 5.1 登顶

评测机构 Artificial Analysis 推出基准指数 v4.2 版本且 Claude Fable 5.1 位列榜首，该更新反映了行业评测向长文档与智能体实际工作流倾斜的演进方向。

• 评测体系新增 AA-Briefcase 基准，用于衡量智能体在知识工作场景下的执行表现。
• 引入覆盖 4592 页 PDF 的 GDP.pdf 测试集，增强对超长文本与复杂文档推理能力的考核。
• 移除了区分度趋于饱和的 GPQA Diamond，并将私有未公开测试集权重提升至 40% 以抑制针对性刷榜。
• 影响/看点：随着私有测试集权重提高与长程任务占比上升，评测结果可能更贴近复杂工业场景，但其有效性取决于测试集防泄漏机制的持续维护。
• 资料依据：
• X：Alexandr Wang（2026-09-04）：https://x.com/alexandr_wang/status/2096015031515373939
• Artificial Analysis（2026-09-04）：https://artificialanalysis.ai/leaderboard/intelligence-index

本内容由 AI 生成，仅供参考，请注意甄别