10 月 28 日，第三方评测机构 Artificial Analysis 发布了智能指数新版 v5.0，这是该机构自 2026 年 1 月 v4 上线以来幅度最大的一次基准重构。 上周还在流传“开源追平闭源只差 3 分”：旧版 v4.3 上，Kimi K3.1 Pro 拿了 55 分、全球第 4，只落后 Claude Opus 5.5 三分。 新榜上，开源榜首 Kimi K3.1 Pro 得分 46，与头名的差距从 3 分拉大到 12 分。 差距拉大的原因，主要不是开源退步，而是尺子变了——v5 把更多分量压给了长时程、需要验收的“工程活”，这正是开源模型相对闭源吃亏的地方。IT之家知乎微博
六成权重进了私有题：先变的是尺子
最直接的变化是，60% 的评测权重首次建立在私有测试集或隐藏答案之上，压缩公开题库被训练数据“污染”的空间，同时砍掉了各厂商“为了跑分而跑分”的注水项目。 类别权重也从 Agents 30%、Coding 20%、General 30%、科学推理 20% 调整为四类各占 25%，即使各单项原始分不变，总指数也会因权重重排而变化。IT之家知乎
新加的考题恰好戳中长程执行。Terminal-Bench-Science 的 70 项任务要求模型在终端里完成真实科研工作流，每项任务的全部测试通过才得分——v5 官方结果中，榜首也只有 63%，多数已测开放权重模型低于 10%，而它占了 15% 权重。 AA 这次还把 Cognition 出品的 FrontierCode 2.0 纳入评测，有人注意到“现在 GPT 又杀回来了”。 这项考试看的不是“函数写没写对”，而是修好指定 bug 的同时有没有漏改同类问题、有没有补回归测试，命中关键阻塞项直接计零分；它目前的开源模型最高成绩是 DeepSeek V4.1 Flash 1017。知乎微博IT之家
读这张榜，先分清两个口径
v5 上拿 46 分的 Kimi K3.1 Pro 目前只开放了 API，完整权重承诺在 11 月 4 日前放出。 真正已放出权重、可下载可审计的模型里，v5 最高分只有 32——DeepSeek V4.1 Flash 1017 的 max 档与 GLM-5.3 的 max 档并列。换句话说，按“能调 API”算，开源与头名差 12 分；按“拿到权重自己跑”算，差距还要再大一截。知乎微博
更要紧的是，新科头名根本不在普通人的选项里：59 分登顶的 Gemini 4 Carbon 领先 Claude Opus 5.5（58 分）与 GPT-6 Astra（57 分），但它走的是“防御方先行”发布——先只给一小批网络安全团队，再经谷歌的 Fairwind 计划扩至关键基建机构，需申请、需背景审查，普通人和一般公司暂时进不去。 今天普通人付费用得到的头部，仍是 Opus 5.5 和 GPT-6 Astra。知乎微博
尺子本身也有争议
私有题库是把双刃剑：它堵住了“刷熟人题”的空间，也让外部用户无从复现和核验。v5 上线当天，就有用户在“智能指数更新 v5”的问题下留言，调侃“每次更新都对openai有利”。 更要留心的前提是：量尺整根换过之后，旧榜的 55 分和新榜的 46 分本来就不可直接比——榜单在这个节点只宜当参考，不宜当判决书。知乎
普通用户怎么选：先问自己用模型干什么
日常问答、写作、翻译、整理材料，不必因为换榜改选。 开源 API 价格明显更低，有报道口径约为头部闭源的五分之一左右，还能本地部署、数据不出门；v5 拉开的分差集中在长程执行类考题，单步任务上的实际体验差距远没有总分显得那么大。知乎
如果你的用法是让 agent 连跑几小时流程、改整个代码仓库、做自动化测试，v5 显示的差距是真的。 闭源旗舰的溢价，买的正是“交付物少返工”。想留在这条路线上的开源方案，盯两个信号：一是 11 月 4 日 Kimi 权重放出后社区的本地复测成绩，二是后续榜单里开源模型在 FrontierCode 2.0、Terminal-Bench-Science 上的单项分数——这两项比总分的爬升更有信息量。
最可靠的办法还是老办法：把闭源旗舰和开源候选各接进自己真实的活儿里并跑一两周，统计的不是“回答像不像样”，而是“结果需要人返工的频率”。v5 这把新尺子想量的，其实就是这个。
