artificialanalysis.ai 更新了Index v5，并更新了排名

参考看看就行了，国模也确实有较大差距，但是这个榜单应该有一定的赛博黑社会性质。。。。

自从astra出来那会评分比calude的opus5还是其他型号低，就成了野榜了 ^-^

又变成了oa争霸，刷的分都吐回去了。

虽然是野榜，但是 MiMo 这次更新马上就掉了这么多排名，难绷 ^-^

榜单能一直更新就挺好，Astra 之前还不如 muse wonder 呢，现在已经多了16 分了，差不多 3 代的差距了。。

挺好的，人家还是有追求，不像国内某些榜单就是纯商单。

比之前更符合体感 比如mimo 2.6 pro的意图识别都差，做出东西也一般，其实没比 glm 5.3 好太多。之前的榜单里这些模型都刷到比 glm 5.3 好很多的分数了。现在 glm 5.3 ds 4.1 flash 都接近了。

K3.1 pro 本来也比不了 gpt 6.1 sol, 现在差距出来了。6.1 sol 同时存在有它自己的优化目标的问题，但是它能反思到自己哪里错了，几乎是不太思考用直觉就能反思到，做事也比k3.1严谨。k3.1的前端优势也不大了，在 low下的前端能力和ds 4.1 flash 1017也差不多了。

确实暴露了国模的 eval 和训练数据的问题。

那要问问，这个更新到底是哪个模型口碑好，就针对性的更新，让那个模型的分数高？还是真的在自主迭代呢？哪个模型口碑好，就专门更新，让哪个模型分数高。那这所谓的排行榜还有权威性和独立性？更别提所谓的追求。

新基准没法针对性练习，排行看起来也比较符合体感。

前10国模就kimi排第九，现在就看glm、v4.1pro憋完气能不能往前10挺一下了

之前 deepswe 基本上是 l 站的指导榜，后面被刷爆了就没有。如果能一直更新就挺好。

其实你说的 2 者可能是并行的，目前 oa 就是断档的强，是那种瞎眼可见的断档，随便哪个私有题库，只要是新的，基本上就是碾压。

而那些公开的榜，只要哪个榜排低了就会被人称为野榜。

人家oa也根本不在意榜单的数据，而且人家内部榜肯定远超第三方的。

所以自主迭代的同时往前沿模型的标准去靠难道是错误的吗？

至于口碑，人家不会为 DeepSeek 的口碑更新吧。。起码。。这次国模第一还是 kimi ,第二换成了千问，这 2 个都是超大尺寸模型。。

DeepSeek 和 glm 同分了，这个难道没有参考性吗。

当时 astra 的一些能力应该是 oai 内部数据和eval 塑造出来的，而当时aa的eval根本测不出这些能力，反而给一些饱和的能力权重。

Eval要不断纳入新的能力提升的方向的。假如1年后有个面向fde优化的模型特别擅长理解各种公司组织的人际关系，实际决策方式，各种文件和会议哪些是表演，什么时候找谁问问题，哪些是真的信号，这是非常聪明的模型。假如让这个模型测试今天的榜单，这个能力也很难给它加分。

能不能把单任务token多价格高的扣个分啊，这榜单还在鼓励雷霆思考

我从来没有说过自主迭代是错误的，我已经指明了。自主迭代还是向前沿模型靠近？这两者可不是像你说的那样可以同时并行的。

还要我把话说的更清楚吗？GPT 的 Astra 出来之后和 5.6 Sol 同分，Claude 模型在之前的 AA 榜上简直是外星科技，全部都是前几。

然后这次更新之后，就把 Claude、GPT 均匀的分布了。针对模型口碑进行更新，不可笑吗？

向前沿模型的标准靠近是指什么？模型好，所以你是前沿的，那我就要以你为准去更改我的排行榜？

要自主迭代就自主迭代，要以别人的模型为标准，那就是以别人的模型为标准，就是一个垃圾榜单。不要扯自主迭代的同时是以前沿模型为标准。

口碑才是真的，刷分都是虚的。大家异口同声叫好叫衰的测试反映不出去，那就失去测试的意义了。