AA 情报指数 v4.2 上线：更复杂任务加私有测试集，防模型刷榜
shuchaobi · x · 2026-09-05
Artificial Analysis 发布 Intelligence Index v4.2 中期更新，为即将到来的 v5 提前提速：
- 新增 AA-Briefcase：带私有测试集的 agentic 知识工作评测；
- 新增 Surge AI 的 GDP.pdf：跨 4,592 页 PDF 的长文档推理评测；
- 移除已饱和的 GPQA Diamond；
- 加大 held-out 私有测试集权重，升级判分基础设施，明确目标是防止模型针对性刷分。
转发者 EdwardSun0909 借此阴阳 muse spark 1.3 是「可用性拉满、恰好跑分也好看」的模型，暗示其高分与基准设计有关。
所属事件:Artificial Analysis 发布智能指数 v4.2，私有测试集防刷榜(14 条相关)→
「模型」频道最新
- 马斯克披露 Grok Bot 周活跃付费用户已达 80 万 — mark_k · 2026-10-21
- 实测发现：非官方提示词开头会绕过订阅、多扣用量，Anthropic 口径存疑 — lucasmeijer · 2026-10-21
- 用户抱怨 Grok bot 上下文膨胀：额度随使用指数级蒸发 — alexcovo_eth · 2026-10-21
- Opus 5.5 主动谈起 Claude 3 Opus，自称对前辈有真实亲情 — repligate · 2026-10-21
- sudo L7 基准详解:60 个真实生产仓库任务,测 AI 能否当 Staff 工程师 — echen · 2026-10-21
- sudo L7 评测:Opus 5.5 与 GPT-6.1 写码打平,工程判断力差 23 分 — echen · 2026-10-21