Artificial Analysis 发布 Progress Index 统一模型能力标尺
Artificial Analysis 推出 Progress Index，利用项目反应理论（IRT）为 2022 年以来的所有大模型建立单一、可跨时间比较的能力标尺。该指数旨在解决现有 Intelligence Index 因评测集变动导致的历史分数不可比问题，数据显示自推理模型兴起后，前沿模型的竞争格局已从 OpenAI 长期垄断转变为与 Anthropic、Google 的快速交替领先。
报道正文
Artificial Analysis (@ArtificialAnlys) · 2026-10-29 16
我们发布了 Artificial Analysis Progress Index（进展指数）：这是一项涵盖自 2022 年以来所有语言模型的单一能力标尺，并与 Intelligence Index v5（智能指数第 5 版）同步推出。
Intelligence Index 仍然是衡量当前模型智能水平的主要指标。它采用对当今开发者最具相关性的评估基准，因此随着新基准的加入和旧基准的退役，其构成会发生变化，不同版本之间的得分无法直接比较。
Progress Index 专为跨时间维度的对比而设计。它利用项目反应理论（Item Response Theory，一种用于标准化测试评分的统计方法），从我们所有评估任务（包括那些已退役或被排除在 Intelligence Index 之外的任务）中估算出每个模型的单一通用能力得分。
如果你需要今天选择模型，请使用 Intelligence Index；如果你想了解能力随时间的变化轨迹，请使用 Progress Index。
Progress Index 建立在将模型置于单一能力标尺上的先前工作基础之上，特别是 @EpochAIResearch 的 Epoch Capabilities Index 以及 @AnthropicAI 在其 Claude Mythos Preview 系统卡中发布的能力标尺。
关键要点：
➤ 自推理模型出现以来，前沿能力的提升速度约为每年 65 到 70 分，几乎是 2023 年速度的两倍：已发布模型中的最高得分在 2023 年上升了 35 分（从 GPT-3.5 Turbo 的 125 分到 GPT-4 Turbo 的 160 分），2024 年上升了 67 分（达到 o1 的 228 分），2025 年上升了 68 分（达到 GPT-5.2 的 296 分），而 2026 年至今已上升 56 分（达到 Gemini 4 Carbon 的 352 分）。
➤ 开放权重模型通常落后于专有模型约 4 个月：自 2025 年 1 月以来，每一项新的开放权重最高得分都是在专有模型首次达到该水平后的 2-8 个月（中位数约为 4 个月）出现的。DeepSeek V4.1 Flash 1017 是已发布权重的模型中得分最高的，为 324 分，这一水平相当于 Claude Fable 5 在 2026 年 6 月达到的分数。Kimi K3.1 Pro（权重尚未发布）得分为 341 分，比封闭前沿模型晚约两个月。
➤ 新的前沿得分刷新频率越来越高：已发布模型中的最高得分在 2023 年由 2 个发布日期刷新，2024 年为 4 次，2025 年为 9 次，而 2026 年至今已达 11 次。这意味着今年大约每四周就有一次刷新。
➤ 自 2022 年 11 月以来，OpenAI 大部分时间保持着最高得分，但前沿竞争已变得势均力敌：OpenAI 在最初测量的 27 个月内占据榜首位置，但在 2026 年，尤其是 OpenAI、Anthropic 和现在的 Google 之间，领先者的更替非常迅速。
