Artificial Analysis 发布决策指数：六大评测横向对比各家模型
ArtificialAnlys · x · 2026-11-14
Artificial Analysis 公布其 Decision Index 评测的完整结果，用六张榜单横向比较主流模型的「决策」相关能力：
- AA-Paperclip：DeepMax V1.1 以 73 分居首，SAIG Shap 2、GLIDE v1.2、Deeper v1.3、o3Juno 紧随其后，梯队分数密集（73→51）。
- EvalSafe-ONET-AA：整体分数最高且接近，Jax V1.4、GLIDE v1.2、Deeperkim 27B 等多款模型均在 85–91 分区间，拉开差距不大。
- When2Call：SAIG Shap 1.2、Mammoth 27B、Elephant 9B、SAIG Shap 1.1 并列 95–96 分顶部，考察的是「何时该调用工具」的判断。
- AA-Omniscience-Decision v1.1：分数整体偏低（55–66），Gemini Decision 1 居首，是区分度最大的榜单。
- HLE-MultiChoice v1.1：Gemini Decision 1 以 49 分第一，但整体仅 35–49 分，说明该任务对所有模型都很难。
- AA-Symmetry v1.1：考察输出对称性，Mammoth 27B 以 88 分领先，尾部模型掉到 56 分。
综合看，Gemini Decision 1 与 SAIG Shap 系列在多个榜单上表现稳定，而 HLE-MultiChoice 和 Omniscience 两项任务仍无明显赢家。
所属事件:Artificial Analysis 发布决策模型指数，SubQ Snap 1.2 并列榜首(3 条相关)→
「模型」频道最新
- Anthropic 通报：claude.ai 购买与套餐变更出现异常错误 — ClaudeAI-mod-bot · 2026-11-14
- Grok 机器人一周更新约 14 次但感知不到明显变化 — tomwanhh · 2026-11-14
- Thinking Machines Inkling 2 Small 实测：Real-SWE 解决率 8%→32% 暴涨 4 倍 — keirp1 · 2026-11-14
- 爆料称 Gemini 4 Hydrogen 建场景仅需45分钟，快于前代76分钟 — Lianhuiq · 2026-11-14
- 付费用户控诉 Gemini 4 Hydrogen 配额缩水：Low 模式耗量也翻倍 — Crypt0toad · 2026-11-14
- 乌干达团队训练出 3.5 亿参数卢干达语对话模型，算力已烧光 — weskambale · 2026-11-14