Artificial Analysis 智能指数更新至 v4.3
9 月 8 日，评测机构 Artificial Analysis 发布 Intelligence Index（智能指数）v4.3 更新，这是其向 v5 大版本过渡过程中的又一轮基准迭代，涉及两项基准替换与方法论调整，并引发社区对评测方法与榜单代表性的讨论。
已确认
- Terminal-Bench 从 v2.1 升级替换为 v4.0，包含 66 个多步终端任务，评测框架从 Terminus 2 系列迁移到最新版本
- 𝜏³-Bench 的 Banking 子基准被移除，由自研的 AutomationBench-AA 取代，后者基于 Zapier 业务流自动化场景构建，属于私有测试集
- 据 @ArtificialAnlys 公布的方法论细节，各类别权重维持不变：Agents 30%、Coding 20%、General 30%、Scientific Reasoning 等其余类别照旧
- 私有（非公开）测试问题在指数中的权重升至 45%
- 据 @pbaylies 转述，新版本下 DeepSeek V4 Pro 的排名反超 Qwen 27B；@AccBalanced 转述称 GLM-5.3-Flash 跃居开放权重模型第三强，且在复杂 Agent 任务上表现更突出（均为转发评论，细节以官方榜单为准）
为什么重要
v4.3 的基准组合变化意味着各模型在排行榜上的得分与排名可能出现波动。Terminal-Bench 4.0 与 AutomationBench-AA 更贴近真实多步任务与业务流自动化场景，对 Agent 能力的评估实质增强。同时私有测试问题占比升至 45%，据 @inductionheads 转述，此举虽可降低基准污染与过拟合风险，但提高了第三方复现评测的门槛。@CurieuxExplorer 则转述了批评者的声音，认为榜单仍未充分覆盖模型的真实能力，这是社区关注与讨论的焦点。
2026-09-08 ~ 2026-09-08 · 8 条相关
一手来源
- Intelligence Index v4.3 方法论更新：私有问题权重升至 45% — ArtificialAnlys ·
- Artificial Analysis 发布智能指数 v4.3:引入 Terminal-Bench 4.0 与 Zapier 工作流基准 — SteppenAxolotl ·
- Artificial Analysis 发布智能指数 v4.3,引入私有测试集 AutomationBench — inductionheads ·
- 【源头】Intelligence Index v4.3 方法论更新：私有问题权重升至 45% — ArtificialAnlys · 2026-09-08
- 【源头】Artificial Analysis 发布智能指数 v4.3,引入私有测试集 AutomationBench — inductionheads · 2026-09-08
- 【源头】Artificial Analysis 发布智能指数 v4.3:引入 Terminal-Bench 4.0 与 Zapier 工作流基准 — SteppenAxolotl · 2026-09-08
- Artificial Analysis 智能指数更新至 4.3 版，更换两项基准 — Profanion · 2026-09-08
- Intelligence Index v4.3 发布:DeepSeek V4 Pro 反超 Qwen 27B — pbaylies · 2026-09-08
- AA 情报指数 v4.3 更新，批评者指榜单仍未覆盖真实能力 — CurieuxExplorer · 2026-09-08
- GLM-5.3-Flash 跃居开放权重模型第三强，复杂 Agent 任务表现更突出 — AccBalanced · 2026-09-08
另有 1 条近重复转述:SonglinYang4