AA Index v4.2：更难更私有，Fable 与 Astra 各有胜场
Artificial Analysis 在 2026-09-04 发布 Intelligence Index v4.2。这不是一次装饰性微调，而是把原计划落在 v5 里的若干能力提前上线：任务更接近真实知识工作，私有 held-out 权重加倍，并换掉已经饱和的公开题。距 Index v4（2026 年 1 月）大约八个月；官方明确说，近几周前沿推进太快，需要一次中期更新，以免榜单跟不上模型。 官方总榜上，Claude Fable 5.1（max with fallback）以 57 分居首，GPT-6 Astra（max）以 55 分紧随其后，较 GPT-5.6 Sol（51）高约 4 分。第三实验室位次落到 Meta（Muse Spark 1.3 约 53）；SpaceXAI（xAI）的 Grok 4.6 约 51；Google 的 Gemini 3.8 Flash 在 v4.2 口径下约 47（Flash 档位置清晰，不宜直接拿去和上一版 Index 分数横比）。
一、v4.2 改了什么
变更可以压成四条：
- + AA-Briefcase：AA 自研的 agentic 知识工作评测，测试集私有 held-out。设定是行业专家搭好的多周项目——多任务串联、输入源文件可达数千；评分把可验证任务成功、分析质量与呈现质量放在同一套 rubric + pairwise 框架里。
- + Surge AI 的 GDP.pdf：单轮专业文档推理。100 份 PDF、10 个领域、合计 4,592 页，证据散落在正文、表格、图表、脚注与排除项里；对照 1,275 条专家原子标准打分。头条指标 All-pass Rate 只在「每一条标准都过」时才记成功——偏严，也更像真实交付。
- − GPQA Diamond：科学推理题质量很高，但已被刷满，继续占权重意义不大。
- 私有权重到 40%：较 v4.1 翻倍。held-out 池包括 AA-Briefcase、AA-Omniscience，以及 CritPt 的解题侧。官方的意图写得很直白：降低实验室对着公开题「对答案」的空间；v5 还会再抬这一比例。
评分基础设施也动了刀：
AA-LCR v1.1补了 grading system prompt、修正答案键歧义；GDPval-AA v2与 AA-Briefcase 改进采样并重锚定 Elo；SciCode 沙箱更耐「慢但正确」的提交，避免把超时误判成失败。 权重表本身也说明叙事重心：Agents 合计约 30%（其中 AA-Briefcase 单列 15%），General 约 30%（GDP.pdf 与 Omniscience 等），Coding / Scientific Reasoning 各约 20%。榜单更像在问「能不能把复杂项目做完」，而不是「还会不会答公开选择题」。
二、总榜：Anthropic 微领先，OpenAI 紧贴
v4.2 总榜的第一梯队很挤：
| 模型 | Index（官方图） | 实验室 |
|---|---|---|
| Claude Fable 5.1 (max with fallback) | 57 | Anthropic |
| GPT-6 Astra (max) | 55 | OpenAI |
| Claude Opus 5 (max) | 54 | Anthropic |
| Claude Fable 5 / Muse Spark 1.3 | 53 | Anthropic / Meta |
| GPT-5.6 Sol / Grok 4.6 | 51 | OpenAI / SpaceXAI |
| Gemini 3.8 Flash (high) | 47 | |
| 读法上有两点值得记住。其一，v4.2 任务更重、私有题更多，绝对分与旧版 Index 不可直接纵向对比；要比的是同版相对位次。其二，Cost per Task 的 Pareto 前沿由 Anthropic、OpenAI、Meta、Z.AI 四家共同占据——本文不展开 Z.AI 产品线，只保留官方对前沿形状的这一句描述。 |
三、AA-Briefcase：Fable / Opus 领先，Astra 相对 Sol 抬升明显
在最能代表「多周知识工作」的 AA-Briefcase Elo 上，Anthropic 仍压在最上面：Fable 5.1 约 1666，Opus 5 约 1650；其后是 Astra 约 1565、Muse Spark 1.3 约 1560，Grok 4.6 约 1540。相对前代，Astra 对 Sol（约 1481）大约高出 ~85 Elo——这是同实验室代际差，比「谁暂时第一」更有信息量。 Gemini 3.8 Flash 在该榜大约 1206，与旗舰档仍有一段距离；它在总 Index 与成本曲线上的价值，更多体现在 Flash 价位的性价比，而不是 Briefcase 这种重代理任务的绝对分。
四、GDP.pdf：Astra 的文档综合更完整
换到 GDP.pdf 的 All-pass，故事反过来：OpenAI 领跑。Astra 33.2%，Sol 28.2%，Fable 5.1 26.2%。差距不大，但方向稳定——在「跨近五千页材料、且每条原子标准都要过」的设定下，Astra 更常交出可完整验收的答案。 这和 Briefcase 的分工很清楚：Briefcase 偏多步代理与呈现；GDP.pdf 偏单轮、长上下文、证据综合。两套题同时进 Index，正好避免单一任务形态绑架总榜。
五、Token 效率与简要判断
官方还给出了 Intelligence Index 相对「每任务输出 token」的散点。靠近前沿时，GPT-6 Astra 几乎主导了高分且低 token 的一侧；曲线两端则能看到 Claude Fable 5.1（高智力、token 更重）。 v4.2 的价值不在多几个百分点，而在榜单提问方式变了：私有题权重到 40%，Briefcase 与 GDP.pdf 把「能做完复杂项目」和「能在长文档上一次交卷」同时写进总分。当前公开结果里，Fable 5.1 拿总榜与 Briefcase，Astra 拿 GDP.pdf 与近前沿 token 效率，并在总榜上距第一仅约 2 分、相对 Sol 明显抬升。 后续 AA 还预告会继续向 Index v5 做增量发布。对使用者而言，更务实的读法是：同一版 Index 内看相对位次与分项胜场，并把自己的工作负载对齐到 Briefcase 或 GDP.pdf 那一类，而不是跨版本追绝对分。