AA Index v4.2：更难、更私有，Fable 与 Astra 各有胜场

私有评测权重翻倍至40%，模型排名随之有了新的解释前提。Artificial Analysis Intelligence Index v4.2中，Fable 5.1拿到57分，Astra拿到55分；拆开成绩，Fable与Opus领跑Briefcase，Astra则在GDP.pdf文档评测上占优。总榜给出综合排序，单项开始回答另一个更实际的问题：哪类工作应该交给谁。

一、尺子变化：私有评测占到40%

v4.2是迈向v5的过渡版本，方向明确：增加难度，让评测更接近现实工作。它新增私有智能体知识工作评测AA-Briefcase，以及Surge的GDP.pdf，同时移除已经趋于饱和的GPQA Diamond。

题目接近饱和后，头部模型容易挤在狭窄的分数区间，继续上涨的成绩也越来越难解释实际能力差异。引入更复杂的任务，有助于重新拉开区分度，让模型处理完整工作的能力获得更多权重。

私有评测权重由v4.1的20%提高到40%，意味着较少公开暴露的任务对总分影响更大。这个比例指指数权重，不能直接换算为题目数量。私有化可以压缩围绕公开题集反复优化的空间，但仍需持续更新题目、维护评测质量；新旧版本的总分也需要结合组成变化理解。

二、Briefcase：知识工作进入核心位置

AA-Briefcase的定位是私有智能体知识工作评测，在v4.2中占15%权重。如此高的占比，使它足以明显影响总榜，也体现出指数向智能体能力倾斜的方向。

实际知识工作往往要求模型围绕同一目标处理信息、推进步骤，最后形成可用成果。中间某一步答得漂亮，只能说明局部能力；企业真正付费购买的是最终交付。这类评测的价值，在于让知识工作表现进入综合能力的核心评价范围。

这一项由Fable与Opus领跑。Astra相较Sol也取得约85 Elo的提升，说明它在这套相对评分体系中有明显进步。Elo增量不能读成成功率提高85%，也不能直接加到总榜分数上。对知识工作密集的团队，分项领先值得重视，具体收益仍取决于自身任务与评测任务的接近程度。

三、GDP.pdf：Astra的文档优势更清楚

新增的GDP.pdf来自Surge，涉及4592页文档，采用All-pass口径。它强调完整达标，因此成绩需要按全通过标准理解，而不能当作一般回答准确率。

Astra达到33.2%，Sol为28.2%，Fable 5.1为26.2%。Astra分别领先5个和7个百分点，OpenAI在这项文档评测中占据优势。这也解释了为什么综合榜首与具体工作中的优先候选可以不同：文档处理表现有自己的能力结构。

33.2%同时标出了可靠性的边界。按这一严格口径，仍有约三分之二的评测任务没有全通过。对于需要完整提取、准确理解和核验材料的业务，领先成绩值得纳入选型，但生产流程仍应保留原文定位、结果校验和必要的人工复核，尤其要检查遗漏是否会影响最终决策。

四、总榜：Anthropic占据前四中的三席

综合排名依次为：Fable 5.1以57分居首，Astra为55分，Opus 5为54分，Fable 5为53分。Anthropic拿下前四中的三个位置，说明其优势覆盖多个模型；Astra则较Sol提高4分，进入头部竞争的中心。

榜首与第二名相差2分，第二名与第三名相差1分。这些数字是加权后的指数差距，不能解读为处理任意任务时的胜率差距，也不能直接换算成生产力提升比例。

综合榜适合帮助缩小候选范围，具体选型还要重新分配权重。知识工作占主导的团队，会更看重Briefcase；大量依赖文档的团队，会更关注GDP.pdf。企业自身的任务组合通常不会恰好复现指数配方，因此总榜顺序只能提供起点，无法替代内部样本上的验收。

五、成本与token：效率需要分开计算

在单任务成本与能力的帕累托前沿上，Anthropic、OpenAI、Meta和Z.AI都有位置。它表达的是不同预算下仍有竞争力的选择：在所比较的模型中，无法找到另一个选项，在能力和成本两方面同时将其压过。

Astra在接近能力前沿的位置，输出token效率尤其突出。这为它的文档成绩补上了另一层竞争力：高水平表现之外，输出消耗同样值得关注。不过，token数量与最终账单之间还隔着价格体系，较少输出也不能直接推出更低的端到端延迟。

企业预算应进一步计算每个合格交付的成本，把模型费用、工具调用、重试和人工检查一并纳入。单次调用便宜，却需要多次补救，最终可能更贵；较高的单次费用，也可能因更少返工而得到补偿。现有结果没有给出适用于所有工作流的统一回本比例。

六、产业含义：模型采购开始按任务拆分

Briefcase与GDP.pdf的分化，为采购提供了清晰方向：知识工作优先验证Fable与Opus，文档密集任务重点验证Astra，再用真实预算约束检查其他成本前沿上的候选。

企业可以用同一批内部任务比较完整交付率、关键遗漏、复核时间和实际费用，再判断是否值得按任务分配模型。内部样本还应覆盖长材料、信息不足和要求冲突等困难情况，因为这些边界往往决定上线后的返工成本。

私有权重升至40%，也会推动竞争重心继续变化。公开题上的高分更难独自支撑能力叙事，厂商需要在较少曝光、更加完整的工作任务上证明表现。与此同时，外部榜单与企业现场之间仍有距离：权限、资料质量、工具环境和验收标准，都会改变最终结果。

七、判断：领先已经有了更具体的形状

v4.2传递了两个信号：评价体系向更难、更贴近工作的任务移动，头部模型的优势也进一步分化。Fable 5.1拥有57分的综合领先，Astra以55分紧随，并在文档全通过率和接近前沿的输出效率上形成鲜明优势。

这次升级提高了榜单筛选候选模型的价值，也提高了解读成绩的要求。40%的私有权重值得关注，15%的Briefcase权重需要纳入理解，GDP.pdf的33.2%则提醒使用者同时看到能力与失败边界。

克制的选择，是把综合排名作为候选依据，把任务成绩作为验证方向，把合格交付成本作为上线条件。Fable与Astra各有胜场，最终更有价值的领先，应当能够在企业自己的材料、流程和验收标准中重复出现。