TL;DR - 换榜换掉的是尺子，不一定是模型

10 月 27 日，Artificial Analysis 宣布智能指数（Intelligence Index）升级到 v5.0：新增 FrontierCode 2.0 与 Terminal-Bench-Science 两项基准，升级 HLE-Diamond、AA-Omniscience、CritPt v2，退役 GDPval-AA v2.1、SciCode、AA-LCR v1.1，并把 60% 的指数权重迁到私有或保留测试集。一周后，国产开放权重模型「集体退步」的叙事铺开——Kimi K3.1 Pro 虽进前十但权重未开、Qwen3.8 Max 排第 13 同样未开、真正已放权重的 DeepSeek V4.1 Flash 1017 与 GLM-5.3 分列第 14、15，均低于 Anthropic 的入门款 Claude Haiku 5.5。但把口径摊开看，真正的结论有三条：换算法带来的排名位移，不等于能力退步；官方口径的「开源差 12 分」，换成「今天真能下载的模型」口径是差 27 分；这连续两周的「开放权重第一」都颁给了一个你下载不到的模型。

一、v5.0 到底换掉了什么

不先看清 v5.0 改了什么，后面所有排名讨论都是无效争论。此次升级的幅度是结构性的：基准集合被重排，测试集口径从公开题库转向私有/保留集，指数权重有 60% 落在外部人无法复现的题面上。直接后果是本周所有分数都是新基线下的新分数，不是上周分数的延续——Mistral Large 4 的分值从旧口径的 38 掉到新口径的 26，并非模型变差，而是同一套方法论变更同时作用于所有人。

榜单也确实是重新洗牌：v5.0 发布时由 Claude Opus 5.5 以 58 分领跑，Google 的 Gemini 4 Carbon 在一天内跑出 59 分拿下第一，SevenLab 10 月 30 日的榜单则给出更细的排序——Gemini 4 Carbon（high）59.4、Claude Opus 5.5（max with fallback）58.4、Claude Opus 5.5（xhigh）57.0、GPT-6 Astra（max）56.9、GPT-6.1 Sol（max）54.5。一个刚换刻度的榜首，货架期只有小时级。

二、真正刺眼的那一行

若把「开闭源差距」按官方口径表述，Artificial Analysis 自己在 v5.0 发布时给出的是 12 分：Claude Opus 5.5 的 58 对 Kimi K3.1 Pro 的 46。这个数字被广泛引用。但换一种口径——只比较今天就能下载到本地跑起来的模型——差距是 27 分：Gemini 4 Carbon 的 59 对 DeepSeek V4.1 Flash 1017 的 32。而 OpenAI 的 GPT-6.1 Terra（max）只有 51.1 分，Claude Sonnet 5.5（max with fallback）为 54.2 分——开源阵营真正卡住的位置，比舆论描述的更靠后。

同样的错位也出现在专项榜。Terminal-Bench 4.0 上，Kimi 官方披露 K3.1 Pro 得分 65.7%（对比 GPT-6 Astra 的 58.2%、Claude Opus 5.5 的 66.4%），而独立榜单复测给出 67.2%，领先 Gemini 4 Carbon 的 65.2% 与 Claude Sonnet 5.5 的 63.6%；这个榜并未受指数改版影响，属于本周少数可比的数据。另在竞技场口径下，Arena 智能体榜（真实 Agent 会话净改善）第一是 Claude Opus 5.5 的 20.94%（95% 置信区间 18.79%–23.09%），第二是 Gemini 4 Carbon 的 16.04%，二者区间大幅重叠，名次先后并不可靠；纯文本榜则是 Gemini 4 Carbon 以 1527.5 分领先，开放权重第一是 Kimi K3 的 1488.2 分，其后 GLM-5.3 1480.6、GLM-5.3 Flash 1476.5。

三、连续两周，冠军你下载不到

这才是这条新闻真正值得写进选型报告的部分：本周开放权重阵营的领跑者是 DeepSeek V4.1 Flash 1017 与 GLM-5.3，并列 32 分；Mistral Large 4 以 26 分紧随，Beam 与 K2 Horizon 只有 18 分。而榜单上更高分的三个开放权重模型，Kimi K3.1 Pro（AA 指数 46.0，Agent 榜第 10）、Qwen3.8 Max（第 13）、Mistral Large 4——都处在「还不能拿到手」或「刚拿到手」的状态。连续两周，开放权重最高分都归属于一个普通人下载不到的模型。

三个待发布的例子能把这种状态说透：

  • Kimi K3.1 Pro：月之暗面 10 月 24 日上线，2.8 万亿总参数、MoE 架构每 token 激活 1040 亿、100 万 token 上下文，Terminal-Bench 4.0 与 3D CAD 生成的 BenchCAD（92.7%）、金融文档推理 OfficeQA Pro v2（64.4%）均领先，高速版速度为标准版 2–3 倍；官方承诺在 11 月 4 日前公开完整权重。
  • Gemini 4 Carbon：10 月 28–29 日由 Google DeepMind 发布，先向部分网络安全防御者受控开放，开发者与企业访问尚未推出；安全基准 SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0%。
  • Mistral Large 4：1.05 万亿总参数、激活 490 亿、100 万 token 上下文、多模态，以 3800 张 Grace Blackwell GPU 训练，10 月 29 日才在 Hugging Face 放出权重，vLLM 同步宣布首日部署支持；模型卡自报 Artificial Analysis 编码智能体指数 48%，与 GLM-5.3 基本持平，但每任务 token 用量少 47%。

四、能下载，也还不等于能商用

权重公开只解决了「能不能拿到」，没解决「能不能用」。许可证才是采购合同里真正会卡住的一环：Mistral Large 4 使用自有许可证而非 MIT/Apache；而 Apache 2.0 阵营里有 MiniMax M3.1 Flash、Qwen3-235B-A22B、gpt-oss-120b，MIT 阵营里有 DeepSeek V4.1-Flash-1017（原生 FP8，Hugging Face 下载量超 13.1 万、点赞 3785）与最新的 Nanbeige4.3-33B。另外，超衍智能发布并以 Apache 2.0 开源了 35 亿参数的 Apex-35B-V1.0（激活约 30 亿、26.2 万 token 上下文，基于 Qwen3.6-35B-A3B 中训练，创始人陈勇超为清华大学助理教授）。注意「开放权重」与「开源」不是同一个法律命题：Open Source Initiative 的定义还要求代码与训练数据信息可得。

五、给企业选型者的三条新主线

第一，可获取性优先于榜位——评估模型先问「今天能不能拉到权重、什么许可证、多大显存门槛」，再问分数。第二，部署成本是硬指标：Mistral Large 4 虽是万亿级，但每任务 token 用量比对手低 47%，这类效率账比参数表更能决定总账；性价比维度上，Claude Haiku 5.5 输出价 $0.10/百万 token、实测输出速度 236 tokens/秒，仍是预算优先场景的默认选项，MiMo V2.5 输入 $0.13、输出 $0.27 是同质量门槛下的最低价。第三，留一手：当榜首模型处于受控预览或权重未开状态，把 A/B 两条技术路线（一条闭源 API、一条可下载权重）同时铺开，比押注单点更抗风险。

FAQ(高频问题直答)

Q1：国产开源模型真的在这次换榜中退步了吗？ A：不能这么下结论。v5.0 把 60% 指数权重迁到私有/保留测试集，且新增、升级、退役基准各若干项，本周所有分数都是新基线而非上周的延续。Mistral Large 4 从 38 掉到 26 是口径位移，不是模型劣化。

Q2：官方说开源只差 12 分，为什么又说差 27 分？ A：因为口径不同。12 分是「闭源第一 vs 榜单上的开放权重第一（Kimi K3.1 Pro 的 46 分）」，而该模型权重 11 月 4 日前不开；27 分是「闭源第一 vs 今天真能下载的模型（DeepSeek V4.1 Flash 1017 / GLM-5.3 的 32 分）」。对企业而言，可执行的那个数字才是 27 分。

Q3：Kimi K3.1 Pro 的 Terminal-Bench 4.0 到底多少分？ A：官方披露 65.7%，独立榜单复测为 67.2%，均高于 Gemini 4 Carbon 的 65.2% 与 Claude Sonnet 5.5 的 63.6%；该榜未受指数改版影响，是本周少数可直接横向比较的数据。

Q4：现在能下载的开放权重模型里，哪个最值得先测？ A：分场景。编码与文档任务优先 DeepSeek V4.1 Flash 1017（MIT、原生 FP8）与 GLM-5.3（二者 AA 指数并列 32）；需要 Apache 2.0 时看 MiniMax M3.1 Flash、gpt-oss-120b、Qwen3-235B-A22B；超长上下文与多模态任务再评估 Mistral Large 4，但需先确认许可证条款与显存预算。

Q5：「开放权重」和「开源」差别在哪？ A：开放权重只保证你能下载并运行参数；开源还要求训练数据与代码信息可得（Open Source Initiative 定义）。MIT 或 Apache 2.0 只写在权重上，并不自动等于整个 AI 系统符合开源定义。

Q6：为什么这轮榜单震荡对交付方有影响？ A：客户拿到的往往是一张截图而不是一份可复现的方法论。选型沟通要主动把「榜位」换成「可获取性 + 许可证 + 每任务成本 + 部署形态」四项可核验指标，否则 AI 项目会在模型换代时反复返工。

关键术语(Key Terminology)

  • Artificial Analysis 智能指数：以公开与私有基准加权而成的综合模型能力指数，v5.0 于 2026 年 10 月 27 日发布。
  • v5.0 换基线：指数因基准增删、升级与测试集私有化而整体重算，同一模型的新分数与旧分数不可直接比较。
  • 私有/保留测试集：不对外公开的评测题面，用于降低刷榜与题库泄漏风险。
  • 开放权重（Open-weight）：可下载参数并自行部署，但不等于可不受限制商用，需另看许可证。
  • 受控预览：模型先向特定人群（如网络安全防御者）开放，企业与开发者访问尚未开放。
  • Terminal-Bench 4.0：衡量编码智能体在真实终端环境中受限执行能力的基准，独立于本次指数改版。
  • Agent Arena 净改善（Net Improvement）：以真实 Agent 会话前后状态差异衡量智能体有效性的竞技场口径指标。
  • 每任务 token 用量：完成一次任务消耗的 token 数量，是比参数量更贴近真实部署成本的效率指标。

参考资料

官方与榜单数据

行业报道与观察

机构与厂商