Artificial Analysis
Artificial Analysis是一个独立的AI模型评测与比较平台,专注于对大型语言模型及其他AI模型进行多维度基准测试,涵盖模型能力(Intelligence Index智能指数)、推理速度、价格及可用性等指标。平台以独立、客观为原则,汇聚多项标准化测试结果,为研究人员、开发者和企业提供跨模型的横向比较参考。
核心事实
时间轴 (近 90 天)
Liquid AI发布全模态决策模型LFM 1.2和LFM 1.2 Ultra,能同时处理文本、图像和音频;Ultra在Artificial Analysis决策指数榜排名第一,1.2排名第六。
在 Artificial Analysis 同一评测中,GPT-6.2 Astra 的平均每任务成本为 4 美元,比上一代的 6.24 美元下降约 36%;每任务推理耗时从 20.4 分钟缩短到 10.4 分钟。
独立评测机构Artificial Analysis给出的Qwen4-Max综合指数为43,落后Opus 16分。
在 YouTube 创作者的五个实机编码任务中,Qwen 4 Max 的总成本约为 1.65 + 0.64 + 1.26 + 0.29 美元(第五个任务成本未明确列出),单任务成本远低于对比的 Claude 模型。
在 Artificial Analysis 的 Intelligence Index 上,GPT-6.2 Astra 得分 62,较上一代 Astra 的 57 提升 5 分,位列第二,仅次于 Cloud Fable 5.2 的 65。
按 Artificial Analysis 单任务成本计算,Sonic 最高档每任务 10.2 美元,Hydrogen 最高档 3.16 美元;Tera 比 Hydrogen 更便宜但最高分更低。
Google和Artificial Analysis推出MKA,用200项任务考察智能体读图纸、扫描件等复杂材料再完成表格和演示文稿,首批结果里Fable 5.2和Carbon位居前列。
Artificial Analysis更新了编程智能体榜单,DeepSeek V4.1 Flash每道题成本约0.3美元,比Kimi便宜近10倍。
在 Artificial Analysis 基准中,某竞品模型在 max 设置下每任务成本 3.16 美元、指数 54 分;另一款在 max 设置下每任务成本仅 1.27 美元,指数高于 Hydrogen 在 xhigh 下的表现。
Artificial Analysis 的模型页显示 Hydrogen 四档思考等级指数分:低档 27 分、中档 41 分、高档 51 分、超高 54 分(这是跨任务套件的指数分,不是百分比)。
还有 40 条时间轴事件
全部知识事实 (20)
在 Artificial Analysis 智能指数上,Gemini 4 Hydrogen 在默认高思考水平下得分为 51,在最高 xhigh 思考设置下可达 54。
85%已验证Artificial Analysis是将模型智能程度与运行成本放在同一坐标系可视化比较的第三方评测平台
85%已验证Artificial Analysis给Argon的智能指数打出53分,与GPT-6 Astra持平
80%已验证当多个独立评测来源得出一致结论时,其可信度才更高,应交叉验证多个评测来源
75%已验证Artificial Analysis是一家成立于2023年的独立AI模型评测机构,总部位于伦敦
75%已验证Artificial Analysis Intelligence Index 通过综合推理、编码、数学、知识问答等多项评测给出统一智能评分
75%已验证Opus 5.5在终端智能体基准拿到66分,高于Sonnet的55分和Astra的57.9分
70%已验证Artificial Analysis是一个独立的AI模型基准测试平台,综合编程能力、数学推理、语言理解、知识问答等多个维度评估模型表现
70%已验证据 Artificial Analysis 数据,跑完整套智能指数测试,Claude Fable 5.2 的成本为 26.54 美元。
65%已验证AA智能指数是第三方评测机构Artificial Analysis维护的综合榜单,将多项推理、知识、编码、数学基准折算为单一分数。
65%已验证DeepSeek-V4.1-Flash-1017 支持 100 万 token 上下文,建议最大输出 256K 以上。
65%已验证Artificial Analysis Intelligence Index 是独立评测机构 Artificial Analysis 维护的公开榜单,覆盖约 200 余个模型。
65%已验证Vals AI的独立榜单将Gemini 4 Argon放在41个模型中首位(68.9%)
65%已验证每任务成本高度依赖具体工作负载,不同基准和工作负载组合可能得出相反的成本结论
65%已验证Artificial Analysis的Intelligence指数是对一系列现有Benchmark(如MMLU、HumanEval、MATH等)做加权平均得到的综合分数
65%已验证Artificial Analysis 等第三方平台会把多个子基准分数标准化后聚合成一个质量指数,使不同模型可在同一刻度上比较
65%已验证Artificial Analysis评测显示DeepSeek V4.1 Flash在Intelligence Index得分40,超过V4 Pro成为DeepSeek新旗舰,采用原生多模态输入,输入激活参数8B、输出激活参数16B,以MIT许可开放
65%已验证Artificial Analysis 给 Qwen 3.8 打出52的智能指数,追平满推理档的 GPT-5.6,智能体分51,高于 Claude Opus 4.8
65%已验证Qwen3.8-Flash-Next的激活参数约为6B
65%已验证Artificial Analysis Intelligence Index整合了MMLU、HumanEval、MATH、GPQA等多个基准测试的加权结果
65%