Artificial Analysis 发布能力指数 v2.0，强化幻觉抑制与智能体工具使用评估

Artificial Analysis (@ArtificialAnlys) · 2026-11-04 00

我们将六大 Artificial Analysis 能力指数（Capability Indexes）更新至 v2.0 版本，使其与 Artificial Analysis 智能指数（Intelligence Index）v5.0 的评估标准保持一致，并加大了对“非幻觉”（Non-Hallucination）和“智能体工具使用”（Agentic Tool Use）的重视程度。

能力指数将 O*NET 职业中的任务映射到代表这些任务的基准测试（benchmarks），并根据各项能力在该职业中出现的频率对每个基准测试进行加权。这六个指数分别为：金融与会计、战略与运营、法律、医疗与健康、工程以及经济学。

主要变更如下：

➤ 金融与会计：提高了“非幻觉”的权重，将 HLE 升级为 HLE-Diamond，将 AA-Omniscience 升级至 v1.1，从“智能体知识工作”中移除了 GDPval-AA，并从“长上下文”中移除了 AA-LCR。

➤ 战略与运营：提高了“智能体工具使用”的权重，新增了“非幻觉”指标并将 AA-Omniscience 升级至 v1.1，从“智能体知识工作”中移除了 GDPval-AA，并从“长上下文”中移除了 AA-LCR。

➤ 法律：提高了“非幻觉”的权重，将 HLE 升级为 HLE-Diamond，将 AA-Omniscience 升级至 v1.1，从“智能体知识工作”中移除了 GDPval-AA，并从“长上下文”中移除了 AA-LCR。

➤ 医疗与健康：提高了“智能体工具使用”的权重，将 HLE 升级为 HLE-Diamond，将 AA-Omniscience 升级至 v1.1，并从“智能体知识工作”中移除了 GDPval-AA。

➤ 工程：新增“科学”作为一项新能力，数据来源于 CritPt v2（困难子集）和 Terminal-Bench-Science 0.1；在“智能体编码”中新增 FrontierCode 2.0；将 HLE 升级为 HLE-Diamond，将 AA-Omniscience 升级至 v1.1，并从“智能体知识工作”中移除了 GDPval-AA。

➤ 经济学：提高了“智能体知识工作”和“长上下文推理”的权重，在“长上下文推理”中用 GDP.pdf 替换了 AA-LCR；将 HLE 升级为 HLE-Diamond，将 AA-Omniscience 升级至 v1.1，并从“智能体知识工作”中移除了 GDPval-AA。

关键结果：

➤ Claude Opus 5.5 (max) 在所有六个指数中均位居榜首，其次是 GPT-6 Astra (max)，其在金融与会计、法律及工程领域排名第二。

➤ 在开源权重模型中，Kimi K3.1 Pro（权重尚未发布）在所有六个指数中均领先，排名在第 5 至第 8 位之间。MiniMax-M3.1-Flash 在战略与运营领域排名第一（总榜第 10 位），而 DeepSeek V4.1 Flash 1017 (max) 在医疗与健康领域排名第一（总榜第 12 位）。