AA 評測改版，Astra 從與 Sol 同分變成領先 4 分。

GPT-6 Astra 在 Artificial Analysis（AA）剛發布的分析中，綜合評測分數與 GPT-5.6 Sol 同為 61 分，還落後 Muse Spark 1.3；隔天 AA 更新評測方法後，Astra 卻成為第二名，領先 Sol 4 分。理解這個變化，得先分清楚 Intelligence Index 的版本。

兩次結果，用的評測版本不同

AA 在 2026 年 9 月 3 日發布的 Astra 分析使用 Intelligence Index v4.1.1；9 月 4 日則推出 v4.2。官方公布的結果如下，表中比較兩個模型的 max 推理設定：

| 評測版本 | GPT-6 Astra | GPT-5.6 Sol | 同版比較 | | --- | --- | --- | --- | | v4.1.1 | 61 | 61 | 公告以整數列為同分 | | v4.2 | 55 | 51 | Astra 領先 4 分 |

新版圖表中，Claude Fable 5.1（max，含備援機制）以 57 分領先，Astra max 為 55 分，Muse Spark 1.3 max 為 53 分。Astra 的數字從 61 變成 55，不能當成模型能力下降：評測項目、權重與部分評分方法都已改變，跨版本的總分不能直接相減。

Artificial Analysis Intelligence Index v4.2：Claude Fable 5.1（max，含備援機制）57 分、GPT-6 Astra max 55 分、GPT-5.6 Sol max 51 分；Astra 在新版中領先 Sol 4 分。

v4.2 加入了 Astra 表現較強的項目

這次改版新增兩項評測：

AA-Briefcase，占 15%：測試 AI 代理處理由產業專家設計的多週知識工作專案，涉及相互連結的任務與大量來源檔案。評分涵蓋任務完成度、分析品質與呈現品質。新版公告中，Astra 比 Sol 高約 85 Elo；這是成對比較得出的相對評分。 GDP.pdf，占 10%：測試跨長篇專業文件的推理能力。資料涵蓋 100 份 PDF、共 4,592 頁；每個任務必須滿足全部評分條件才算通過。Astra 的全條件通過率為 33.2%，Sol 為 28.2%，Astra 在這項評測領先。

AA 同時移除已接近飽和的 GPQA Diamond，並把私有、保留測試集在指數中的權重提高到 40%。四大類別的權重為代理任務 30%、程式開發 20%、科學推理 20%、一般能力 30%。

但排名變化不能全歸因於新增的兩項測試。AA 還修改了 AA-LCR 的評分提示與答案、GDPval-AA 和 AA-Briefcase 的抽樣及 Elo 定錨方式，以及 SciCode 執行環境的判分。多項設定同時改變，官方沒有提供能逐一拆出各項改動影響的對照實驗。

Astra 的進步也沒有平均分布在每一項能力上

改版前的官方分析已呈現這種差異：Astra 在 AA-Briefcase 有進步，但 GDPval-AA v2 約下降 80 Elo；τ³-Banking、SciCode 與 AA-LCR 也各有約 2 至 3 點退步。綜合分數把這些不同方向的結果加權在一起，因此納入哪些任務、各占多少，會影響最後排名。

這也解釋了為什麼「寫程式明顯更好用」不一定等於同一張綜合榜上大幅領先。AA 的 Coding Agent Index 是另一套指標，與這裡的 Intelligence Index 要分開看。

從排名變化，能判斷到哪裡？

官方資料能確認評測改版、分數變化與各單項表現；光憑這些結果，無法認定 AA 刻意壓低 Astra，也無法證明改版是為了替某個模型加分。

要用這份榜單選模型，先確認評測版本與推理設定，再看接近自己工作的單項測試。綜合排名可以作為起點，但長文件、代理任務與程式開發的表現差異，往往比總分更能回答模型是否適合自己的用途。

原文：https://easyvibecoding.app/curated/3270-artificial-analysis-releases-intelligence-index-v4-2

AA 評測改版，Astra 從與 Sol 同分變成領先 4 分

EasyVibeCoding Podcast

AA 評測改版，Astra 從與 Sol 同分變成領先 4 分