Artificial Analysis
独立 AI 评测机构，维护 Intelligence Index（智能指数）等公开榜单，2026-08 进一步把”推理链路”变成独立评测对象。
Intelligence Index
- v4.1.1（2026-07）：整体变动 <1 分，Claude Opus 5 以 63 分居首；τ³-Banking 修正 unhappy-path 恢复轨迹误判。
- 自 v4.1.1 起，HLE / AA-LCR / AA-Omniscience 判分统一由 GPT-5.6 Luna（medium）担任，替换原先的 GPT-4o / Qwen3 235B / Gemini 3 Flash Preview——grader 换模型即分数微涨，再次印证 judge 测量效度问题（见 LLM-as-Judge）。
- 历史口径：Kimi-K3 智能指数 57 分（2026-07，第三）。SciCode 曾被纳入智能指数评测套件——SciCode-Verified 修正 263 处缺陷后旧分数失效（见 基准失效的三种模式）。
Endpoint Accuracy Index（2026-08 推出）
把”同一份开源权重在不同 serverless 供应商处的准确率”产品化为指数，详见 Endpoint Accuracy：
- 自建参考部署（官方权重 + 推荐精度）记 100%，各 endpoint 按相对百分比计分；三子项等权：BFCL-500（×3）、HLE-250（×10）、AA-LCR-25（×10）。
- 首批覆盖 GLM-5.2、gpt-oss-120b、DeepSeek V4 Pro：GLM-5.2 输出 token 上限最严的 endpoint 在 HLE-250 上只剩参考值一半或更低（推理被截断）；gpt-oss-120b 某些 endpoint 因工具调用解析差异 BFCL-500 仅 22%（参考 37%）。