Artificial Analysis Intelligence Index v5 基准上线，DeepSeek V4.1 Flash 1017 为 FrontierCode 2.0 开源模型最高成绩

IT之家 10 月 29 日消息，Artificial Analysis 昨日发布了 Intelligence Index v5，这是该机构自 2026 年 1 月 v4 上线以来幅度最大的一次基准重构。 最直接的变化是，60% 的评测权重首次建立在私有测试集或隐藏答案之上，用于压缩公开题库被模型训练数据“污染”的空间，减少了各厂商为了跑分而跑分的“注水”测试项目。 该指数仍由九项评测构成，包括知识工作、编码、科学、通用能力各占 25%。其中编码 25% 的权重里，Cognition 于同日发布的 FrontierCode 2.0 独占 15%，Terminal-Bench 4.0 占 10%。 其中最值得关注的 FrontierCode 2.0 完全换了一套评分逻辑。132 项任务全部来自真实开源仓库，模型提交的代码改动不再只由单元测试是否通过来判定，而是由该仓库的维护者按“是否愿意合并这个 PR”来打分，任何一项阻塞性检查失败即记零分。 Cognition 在 6 月推出 FrontierCode 初版时就强调，传统基准只检查代码能否跑通，而合并决策还涉及改动范围是否克制、风格是否与代码库一致、回归风险是否可控等测试无法完全覆盖的维度。v5 将这一基准升级到 2.0 并纳入主指数，等于把“可合并性”而非“可运行性”推到了编码能力评价的中心。 在这一口径下，DeepSeek V4.1-Flash 1017（max）在 FrontierCode 2.0 上录得 28%，是所有已发布权重模型中得分最高的一个。 Kimi K3.1 Pro 以 25.5% 紧随其后，但其完整权重按月之暗面官方博客的表述，要到 11 月 4 日前才发布，AA 在 v5 报告中将其标注为“weights not yet released”。 谷歌 Gemini 4 Argon（high）为 25.7%，GPT-6 Luna 为 25.2%，均低于 DeepSeek V4.1 Flash。需要说明的是，这一成绩位于 FrontierCode 2.0 单项之内；在 Intelligence Index v5 的综合得分上，DeepSeek V4.1 Flash 与 GLM-5.3 同为 32 分，仍落后榜首 Claude Opus 5.5（58 分）26 分，且低于 Claude Haiku 5.5 的 36 分。 Artificial Analysis 指出，v5 真正加剧的是开源与闭源前沿之间的整体距离。v4.3 时，最强开源模型与榜首的差距是 3 分；v5 把大部分公开题换成私有题、并大幅加重智能体实战任务的比重之后，这一差距扩大到 12 分。Kimi K3.1 Pro 以 46 分成为名义上最强的开源权重模型，但它尚未发布权重；已发布权重的模型中，32 分是当前的天花板。 差距在