评测维度
6 个基准，6 种问问题的方式。每个都标注了来源、更新日期和它的实际意义——以及它测不出来的东西。
AA Intelligence Index v5
综合智能指数 · 来源 Artificial Analysis · 2026-10-27
10 项独立评测的加权合成分，覆盖知识、推理、编码、agent、长程任务。v5 于 10 月 27 日启用，评分口径比 v4.3.2 更严格，两版分数不可直接比较。
GPQA Diamond
研究生级科学推理 · 来源 Epoch AI / Metatext · 2026-11
448 道由物理、化学、生物领域博士撰写并交叉验证的选择题，答案无法通过搜索获得，是抗污染性最强的知识型基准。
Terminal-Bench 4.0
终端 agent 任务 · 来源 Stanford / Laude Institute · 2026-10
在真实容器里完成软件工程任务：装环境、跑测试、读报错、改代码。所有模型跑同一个 mini-SWE-agent 脚手架，排除脚手架差异。
LiveBench Design
文档生成（DOCX/PPT/PDF） · 来源 LiveBench · 2026-10
要求模型直接产出可打开的 Word、PowerPoint、PDF 文件，按结构完整性、格式正确性、内容组织评分。
Vals Index
Vals 综合指数 · 来源 Vals AI · 2026-10
法律、金融、税务、生物、Excel 建模等垂直专业任务的加权得分，全部由 Vals 自行运行，不采信厂商数据。
AA Intelligence Index v4.3.2
综合智能指数（旧版） · 来源 Artificial Analysis · 2026-09
v5 之前的版本，覆盖模型更多（含已停更模型）。仅作历史参考，不与 v5 混排。
为什么不用单一排行榜
把各基准的排名放在一起看，会发现几乎没有哪个模型在所有维度上第一。Claude Opus 5.5 综合第一，但 Gemini 4 Argon 的 GPQA 比它高、Terminal-Bench 4.0 也被 Gemini 4 Carbon 打平；DeepSeek V4.1 Flash 综合分只有头部的一半，文档生成却追平旗舰。
更麻烦的是基准之间的相关性并不高。GPQA 高不代表能改代码——Gemini 3.8 Flash 的 GPQA 是 95.4，和 GPT-6.1 Sol 打平，但没人会用它跑长程 agent 任务。反过来 MiniMax M3 的 GPQA 有 90.9，Terminal-Bench 只有 1.0%。
所以本站的做法是：综合榜用来看整体水位，具体选型必须回到分项榜。如果你的场景是客服问答，GPQA 相关性很低；如果是 CI 里自动改 bug，综合分基本没用，只看 Terminal-Bench。
使用建议
先定场景，再看榜
把任务拆成“知识问答 / 结构化生成 / 多步工具调用”三类，分别对应 GPQA、LiveBench Design、Terminal-Bench。选错榜比不看榜更糟。
注意样本偏差
新模型和开源模型缺数据更严重。一个只有 3 项结果的模型和一个有 10 项结果的模型，综合分可比性有限。
看每任务成本，不看单价
单价相同的两个模型，输出 token 量可能差两个数量级。Opus 5.5 单价是 Sonnet 5.5 的两倍，但每任务成本只高 10%。