Chỉ số Thông minh AA đổi đề lớn: Claude vô địch, DeepSeek và GLM tụt lại 26 điểm

Động Sát Beating Tin nhanh AI, tổ chức đánh giá AI Artificial Analysis đã điều chỉnh mạnh mẽ bảng xếp hạng Intelligence Index. Phiên bản mới bổ sung 132 nhiệm vụ lập trình từ các dự án mã nguồn mở thực tế, mã do AI viết ra không chỉ phải vượt qua kiểm thử mà còn phải đạt tiêu chuẩn để người duy trì dự án sẵn sàng hợp nhất. Ngoài ra còn thêm 70 nhiệm vụ nghiên cứu khoa học, yêu cầu AI thực sự hoàn thành quy trình nghiên cứu trong terminal. Để giảm ảnh hưởng của việc mô hình đã từng thấy đề thi trước đó, 60% trọng số chấm điểm của phiên bản mới đến từ bộ kiểm thử riêng tư hoặc đáp án ẩn.

Đầu bảng vẫn là sân chơi của Anthropic và OpenAI. Claude Opus 5.5 giành ngôi quán quân với 58 điểm, GPT-6 Astra và GPT-6.1 Sol lần lượt đạt 57 điểm và 55 điểm. Kimi K3.1 Pro được 46 điểm, nhưng chưa mở nguồn trọng số.

DeepSeek V4.1 Flash và GLM-5.3 đã mở nguồn trọng số đều chỉ có 32 điểm, kém đội đầu bảng tới 26 điểm, thậm chí còn không bằng 36 điểm của Claude Haiku 5.5.

Trong các nhiệm vụ nghiên cứu khoa học mới bổ sung, tỷ lệ hoàn thành của GPT-6 Astra đạt 63%, Kimi K3.1 Pro là 34%, DeepSeek V4.1 Flash chỉ có 13%.

Mặc dù GPT-6.1 Sol thấp hơn Claude Opus 5.5 3 điểm, nhưng theo ước tính giá API công khai, trung bình mỗi nhiệm vụ đánh giá tổng hợp chỉ cần 1,27 USD, trong khi mô hình sau cần 10,04 USD, gần gấp 8 lần.

Các đề bài của phiên bản mới nhìn chung cũng tốn Token hơn, số Token đầu ra trung vị mỗi nhiệm vụ tăng từ 35.000 của phiên bản cũ lên 59.000.