ARTICLE · 1294025
AI 模型到底谁更强?从 AA v5 榜单聊聊评测与实际应用
最近，Artificial Analysis 发布了 Intelligence Index V5。
这次升级不只是榜单换了几个名次，而是连评测体系也进行了调整：新增两套评测、升级三套评测，四大能力类别统一调整为各占25%。与此同时，60%的综合指数权重已经来自使用私有测试集或保留答案的评测。
以前我可能只是大概的看一下最新的榜单是什么样子的，具体的评测逻辑没有深入的研究过。本周结合V5的发布，想通过这篇文章，从最新榜单出发，一层一层拆解下 Artificial Analysis V5 背后的评测体系。
一、先看榜单：V5发布后，哪些模型排在前面？
截止20261101最新数据
从这组数据中，可以先观察到一些个现象。1、谷歌又把第一拿回来了****Gemini 4 Carbon 以 59 分登顶。不过目前它还没有全面开放。
2、开源模型和闭源模型差距拉大****这次更新后，Kimi K3.1 Pro 的排名下滑，开源权重模型与头部闭源模型的分差也明显扩大。 此前差距只有几个点，现在已经到了两位数。 这说明，在复杂编程、科学研究和长程智能体任务上，头部闭源模型仍然有明显优势。
二、Artificial Analysis Intelligence Index 到底是什么？
首先 Artificial Analysis 是一家专注于人工智能模型评测与分析的平台。Artificial Analysis 的** Intelligence Index**也就是我们常说的“AA智能指数"，它表示对跨任务模型能力的综合衡量，反映了当今现实世界的使用情况。
Artificial Analysis的工作不只是给大模型排个名，而是从多个维度评估AI系统，包括：
智能与质量： 模型能否完成知识、编程、科学等任务。
速度与性能： 模型生成答案有多快，用户需要等待多久。
价格与成本： 完成任务需要花多少钱。
实际使用体验： 通过API调用模型时，用户实际获得的性能如何。
官方还会对闭源模型和开放权重模型进行测试，并将不同类型的评测结果分别呈现。
这里有一个容易混淆的概念。Artificial Analysis 的 Intelligence Index，并不是整个网站唯一的榜单，而是其中专门用于综合比较大语言模型能力的一项指数。不能把 Intelligence Index 的排名直接理解为一个模型在所有AI能力上的排名。
它是怎么给模型打分的？
要想更好的理解它的打分逻辑，可以参考官方的评测方法论，篇幅问题就不详细展开了，后面有时间也会单独总结下。
简单理解分为以下四步：
第一步：设计或选取评测任务。
不同任务用于测试不同能力，例如修改代码、执行软件操作、分析科学问题，或者回答知识问题。
第二步：让不同模型完成相应任务。
根据评测设计，模型可能只需要输出一个答案，也可能需要调用工具、运行代码、操作终端，最终提交完整的任务结果。
第三步：按照预先定义的规则评分。
有些任务可以通过程序检查结果是否正确；有些任务需要依据评分标准，由评判模型比较结果；还有一些任务要求多个检查条件全部通过。
第四步：把不同评测结果整合成综合指数。
V5采用四大能力类别的加权结构，再根据各项评测在类别中的权重计算最终得分。
这里需要注意：不同评测的原始分数并不一定采用相同的计量单位。
例如，代码任务可能采用通过率，知识工作任务可能采用Elo评分，而知识准确性任务可能采用正确率与幻觉率。
因此，不能直接把某个模型在一项评测中的80分，与另一项评测中的60分进行横向比较。
最终的 Intelligence Index 是经过既定方法整合的综合指标，而不是所有原始成绩的简单算术平均。
其中的指标计算口径简单了解下,便于综合衡量在不同场景下模型的选择。
每任务成本： 完成一项 Artificial Analysis Intelligence Index 任务的加权平均成本（美元）。计算方式为：将输入 token、缓存 token 和输出 token 的价格分别乘以整个工作负载中消耗的相应 token 数量，按然后按一定规则加权，再除以任务数量。
每任务耗时： 完成一项 Artificial Analysis Intelligence Index 任务的估算加权平均耗时。
首 Token 延迟： 从向服务或系统发送请求到接收到响应的第一个 token 所经过的时间（秒）。对于会返回推理 token 的推理模型，这里指第一个推理 token。
首个答案 Token 延迟： 从向服务或系统发送请求到接收到响应中第一个答案 token 所经过的时间（秒）。对于推理模型，该 token 出现在任何“思考”时间结束之后。
输出速度（每秒输出 token 数）： 在收到第一个 token 之后，平均每秒接收到的 token 数量。
生成 100 个输出 Token 的总响应时间： 生成 100 个输出 token 所需的秒数，基于 TTFT 与输出速度合成计算，以确保最大的可比性。
端到端响应时间： 接收完整响应所需的总时间，包括输入处理时间、模型推理时间和答案生成时间。
缓存命中率： 可缓存输入 token 中由服务商提示词缓存提供的比例，以服务商 API 在多轮智能体编程会话中报告的数据为准。我们根据每个端点的近期测量结果报告其代表性缓存命中率。
平均推理 Token 数： 推理模型在给出答案之前输出“推理”token 所花费的时间。
三、V5版本的核心：四大类别各占25%
这次升级最重要的变化之一，是将综合指数划分为四个类别，每个类别占25%。
在此之前，许多人看大模型排行榜，最关注的可能是数学考试、知识问答和编程题的成绩。
但V5的设计明显更加重视实际任务的完成情况。
例如：
能不能把一份资料整理成完整的分析报告？
能不能在现有软件项目中修复一个复杂Bug？
能不能使用终端完成一套科学研究任务？
当模型不知道答案时，能不能避免编造？
这些问题分别对应四大类别中的不同评测。
接下来，我们就按照这个顺序逐一拆解。
四、第一类：知识工作，占综合指数的25%
知识工作类别包含三套评测：
这三项分别测试AI的知识工作能力、软件操作能力和长文档理解能力。
1. AA-Briefcase：AI能不能完成一份真正的工作成果？
AA-Briefcase v1.1(Agentic Knowledge Work Benchmark)：是 Artificial Analysis 自行开发的智能体知识工作评测，它一共分为4大场景， 91 项任务，与传统的问答测试不同，在不同场景中，模型必须完成真实的专业工作流程。每项任务都需要生成成果，并依据检查项量表进行评分。
数据集结构：
任务内容：模型面对的是需要完成的工作任务，最终需要提交相应文件，而不是只输出一段文字，
举个例子：如果让AI分析一家公司，最终结果可能需要包含数据处理、分析结论和完整的交付文件。
一个模型可能能够写出漂亮的结论，却没有正确处理原始数据。另一个模型可能分析正确，但报告结构混乱，难以交给同事使用。AA-Briefcase试图将这些因素都纳入评估，这类测试的价值在于：它不只看AI说得对不对，还看AI交付的工作成果好不好。
提交的任务产物示意如图(来源官方案例)：
评分与记分：
官方采用综合Elo评分，将任务完成情况、分析质量和呈现质量结合起来。评分与记分如下：
各个模型在该基准下的表现（截止20261101）：
AA-Briefcase Elo下，
国产模型表现：TOP15的分别是
Kimi K3.1 Pro（第4）
Qwen3.8 Max (0902)（第9）
DeepSeek V4.1 Flash 1017 (Max)（第11）
Ling 3.1 Flash 1019 （第14）
MiMo-V2.6-Pro （第15）
选型分析：
TOP的还是Claude 系列，故对应日常办公的场景，如果用不了国外模型的可以选择Kimi K3.1 Pro
2. AutomationBench-AA：AI能不能真正操作软件？
**AutomationBench-AA(Agentic SaaS Workflow Benchmark)：**AutomationBench，衡量智能体在模拟 SaaS 应用环境中完成任务的能力；AutomationBench-AA 的主要指标是模型在不触发安全规则违规的情况下，平均完成每项任务目标的比例。
数据集：共包含 657 任务，涵盖六个业务领域：财务、HR、营销、运营、销售和支持，在模拟应用程序环境中运行，其中包括 Gmail、Google Sheets、Slack、Salesforce、Zendesk、Jira 和 HubSpot 等产品
实现逻辑：
将每个 AutomationBench 断言分类为目标（必须由智能体实现）或护栏（最初通过且不得被智能体破坏）
使用对最终环境状态的编程检查来对目标和护栏进行评分。 AutomationBench-AA不使用单独的LLM评委进行评分
对于主要得分，如果模型违反任何护栏，则任务将收到 0 分。如果没有违反护栏，任务将收到模型完成的目标的百分比。出错的任务也得 0 分
每项任务都属于一个业务域，因此域细分是任务集的互斥子集。应用程序故障并不相互排斥：一项任务可能涉及多个应用程序，因此其目标和护栏断言可能会影响多个应用程序
综合说明：它主要评估AI通过REST API完成SaaS软件工作流的能力，REST API可以简单理解为：软件向外提供的一组操作接口，允许程序读取数据、创建记录、修改状态或执行其他操作。因此，这项测试不只是让AI回答「应该怎么做」，而是要求它通过工具完成相应操作。例如，在一个业务系统中，任务可能涉及查找记录、更新信息，或者按照特定条件完成一系列操作。评测主要检查最终操作是否成功。
各个模型在该基准下的表现(截止20261101)
进TOP15的国产模型分别是：
Kimi K3.1 Pro（第3）
MiniMax-M3.1-Flash（第4）
Ling 3.1 Flash 1019 （第10）
DeepSeek V4.1 Flash 1017 (Max)（第11）
GLM-5.3 (Max)（第14）
选型分析：
Gemini4 登顶TOP1，对应一些自动化的场景或运维的场景，如果用不了国外模型的可以选择Kimi K3.1 Pro和MiniMax-M3.1-Flash（性价比更高）
3. GDP.pdf：AI真的读懂了一份长文档吗？
GDP.pdf 是 Surge AI 推出的基准，用于评估基于长篇 PDF 文档的真实专业工作。其 100 项任务涵盖 10 个领域、4,592 页源文档和 1,275 条细粒度评分标准。
方法论：
模型需要根据一份较长的PDF材料回答开放式问题，最终结果由评分标准和大模型评判机制进行评估。
这类测试与普通的知识问答存在明显区别。普通问答考查的是模型能否利用已有知识回答问题。而基于长篇PDF的任务更强调：模型能否找到相关材料、理解上下文，并且给出有依据的答案。部分任务还涉及PDF页面中的图像内容。例如，一份报告中可能包含几十页的文字、图表和数据。用户问的并不是一个常识问题，而是「根据这份报告，哪些因素导致了某项指标发生变化」。
如果AI只凭自身已有知识回答，而没有准确理解文档中的信息，就可能给出看似合理、实际上与材料不符的结论。
这也是长文档理解评测的意义。
评审： GPT-5.6 Luna (medium) 独立评审每个标准。每次调用都会收到任务提示、参赛者答案和一项标准，但不会收到源 PDF 或参赛者身份。仅当每个标准都有结论时，才会接受任务评分。将错误、缺失尝试和终端输入失败评分为零。
成本与速度的统计范围：公布的成本仅包含被评估模型的调用，不包含评审模型调用、PDF 预处理和 OCR。我们根据输出 Token 用量和模型输出速度估算每项任务的耗时。该估算不包含评审调用、PDF 预处理和 OCR，因此并非端到端评估耗时。
各个模型在该基准下的表现(截止20261101)
进TOP15的国产模型分别是：
Kimi K3.1 Pro（第2）
GLM-5.3 (Max)（第11）
MiniMax-M3.1-Flash（第15）
选型分析：
muse系列和GPT系列 表现不错，对应一些文档处理和翻译的场景，没必要使用国外的模型，Kimi K3.1 Pro是你的首选。用claude 的模型更是杀鸡用牛刀。
五、第二类：编程，占综合指数的25%
V5的编程类别由两套评测组成。
两者虽然都涉及编程，但关注的重点并不相同。
1. FrontierCode 2.0(新增)：代码能运行，就算完成任务了吗？
FrontierCode 2.0是V5新增的评测集，由Cognition 与开源仓库维护者共同构建的编程基准测试。每项任务要求智能体对一个真实的开源仓库进行修改，基准测试衡量该修改是否足以被维护者合并。
方法论：
评估全部 132 项任务，每项任务尝试 3 次，在 Stirrup 框架中运行智能体。智能体启动 Shell 命令后，命令会在后台持续运行。FrontierCode 验证器使用任务的测试和评分细则为每次尝试评分。使用 GPT-6 Luna (medium) 作为 LLM 评判模型，任一阻断性检查未通过，或被 轨迹扫描器标记为查找解答的尝试，得分为 0。其他尝试根据评分细则的各项标准获得加权得分。先对每项任务的各次尝试取平均，再以相同权重对各任务得分取平均。
综合说明：为什么这项测试值得关注？因为真实软件开发并不是一道道独立的编程题。程序员经常需要在已有项目中修改代码，同时遵守原有的接口、架构和行为约束。
例如，修复一个Bug时，模型可能确实解决了表面问题，却破坏了另一个模块的兼容性。从单个功能看，修改似乎是正确的。但从整个项目看，这次修改并不合格。FrontierCode 2.0试图通过更贴近真实开发的任务，评估模型能否完成符合工程要求的代码修改。它仍然有局限：132项任务无法覆盖所有语言、项目和开发场景，而且评分规则本身也会影响结果。所以，它是一种更接近真实开发的评测方式，而不是对AI编程能力的终极判断。
各个模型在该基准下的表现(截止20261101)
进TOP15的国产模型分别是：
DeepSeek V4.1 Flash 1017 (Max)（第11）
Kimi K3.1 Pro（第13）
MiMo-V2.6-Pro（第15）
选型分析：
头部基本被claude系列和GPT系列霸占，国产模型表现一般，我常用GLM5.3也没有上榜。故对应代码功能迭代的场景，无法使用国外的模型的情况下， DeepSeek V4.1 Flash和Kimi K3.1 Pro可以尝试下。
2. Terminal-Bench 4.0：AI能不能独立完成终端任务？
Terminal-Bench 4.0 是一项难度更高的智能体终端基准，由 Laude Institute、斯坦福大学研究人员和开源贡献者共同开发。其 66 项任务涵盖软件、机器学习、科学、运维、安全、硬件和媒体。智能体在终端中完成任务，只有所有测试都通过时，任务才算通过。
**综合说明：**与只要求模型输出代码的测试不同，终端任务通常需要模型根据目标自行采取行动。它可能需要读取文件、运行命令、修改配置、执行程序，并根据执行结果继续调整。
例如，一个任务可能要求模型配置某个运行环境，或者让一组程序按照指定条件正常运行。模型不仅需要知道应该怎么做，还需要正确执行，并且确保最终结果满足任务要求。Artificial Analysis采用测试套件检查任务是否通过，并将pass@1作为评分指标。官方方法页列出了66项任务，每项运行三次。
这里需要区分两个概念。
运行三次，意味着评测会重复尝试任务；pass@1则关注单次尝试能否成功，而不是允许模型无限次尝试，直到碰巧完成。这种设计更接近实际使用中的一个问题：如果把任务交给AI，它能不能在一次执行过程中把事情做好？
各个模型在该基准下的表现(截止20261101)
进TOP15的国产模型分别是：
Kimi K3.1 Pro（第1）
GLM-5.3 (Max)（第11）
Qwen3.8 Max (0902)（第12）
MiMo-V2.6-Pro（第13）
DeepSeek V4.1 Flash 1017 （第14）
Step 5 Preview（第15）
选型分析：
Kimi K3.1 Pro登顶，国产模型表现较好，6个模型入围TOP15。故对应喜好终端编码的的程序员，无法使用国外的模型的情况下， Kimi K3.1 Pro和GLM-5.3可能是更好的选择。
六、第三类：科学，占综合指数的25%
科学类别同样包含两套评测。
这两项分别从研究流程和高难度物理推理两个角度评估模型。
1. Terminal-Bench-Science(新增)：从回答科学问题到完成科学研究
Terminal-Bench-Science是V5新增的评测集。由斯坦福大学研究人员与 Terminal-Bench 和 Harbor 团队共同开发的开放学术合作项目。它汇集了全球各地机构科学家的贡献，包含 70 个源自真实科研实践、经专家精选和审核的研究工作流任务。包含 19 个生命科学、17 个物理科学、17 个数学科学、9 个工程科学和 8 个地球科学任务。每个任务都有自己的一组测试。智能体在终端中完成研究工作流，只有所有测试都通过时，任务才算通过。
**综合说明：**为什么科学研究需要单独设计这样的评测？因为知道某个科学定律，与真正完成一项研究任务，是两回事。科学研究可能涉及数据处理、程序编写、实验结果分析和计算验证。模型需要将多个环节连接起来，才能得到符合要求的结果。
例如，面对一组科学数据，模型可能需要编写代码进行处理，运行分析程序，再根据结果完成计算。
如果最后的结论正确，但中间的计算流程存在问题，或者结果无法通过规定的测试，也不能直接视为任务成功。
V5将这项评测赋予15%的权重，说明科学研究工作流在综合指数中占据了相当重要的位置。
各个模型在该基准下的表现(截止20261101)
进TOP15的国产模型分别是：
Kimi K3.1 Pro（第9）
DeepSeek V4.1 Flash 1017 (Max)（第12）
Qwen3.8 Max (0902)（第13）
GLM-5.3 (Max)（第15）
选型分析：
这个榜单有点意思，Gemini 4 登顶，虽然TOP15国产模型有4个进入，但是和头部模型的差距还是挺大的。故对应一些科学研究的的场景，无法使用国外的模型的情况下， Kimi K3.1 Pro和DeepSeek 可能是更好的选择。
2. CritPt v2 Hard Subset：为什么只留下40道题？
CritPt v2是一套面向高难度物理问题的评测。由尚未发表的科研级物理问题组成的基准，题目由 60 多名在职物理研究人员编写。V5没有直接使用全部70道研究级物理题，而是选取了其中40道更难的题目。
官方说明，这40道题是从原有70道题中筛选出来的：在V5发布时，已有7个前沿模型在剩余30道题的全部五次尝试中都成功解答，因此这些题目不再进入该指数使用的困难子集。
评测在离线Python沙箱中运行，并提供代码执行工具。每道题运行五次，使用官方评分服务，并采用pass@1评分。
**综合说明：**这里有两个重要的评测设计思路。
第一，评测题目需要保持足够的区分度。
如果最强的模型已经能够稳定解决某些题目，那么这些题目可能越来越难以区分领先模型之间的能力差异。
第二，科学推理不一定只靠自然语言完成。
在复杂物理问题中，模型可能需要编写程序进行数值计算或符号运算。
提供代码执行环境，可以让模型借助工具完成计算，而不只是依靠语言模型内部生成答案。
不过，40道题仍然只是一个有限的样本。它能够反映模型在这组高难度物理任务上的表现，却不能代表全部科学研究能力。
各个模型在该基准下的表现(截止20261101)：
进TOP15的国产模型分别是：
Kimi K3.1 Pro（第10）
GLM-5.3 (Max)（第14）
Ling 3.1 Flash 1019（第15）
选型分析：
TOP3都是GPT系列，国外的模型在科研能力上突出更明显，国内只有 Kimi K3.1 Pro挤进了第10。
七、第四类：通用能力，占综合指数的25%
最后一类是通用能力，由两套评测组成。
这两套评测看起来都像知识考试，但设计目标并不完全相同。
1. AA-Omniscience v1.1：不知道答案时，AI会怎么做？
**AutomationBench-AA(Knowledge and Hallucination Benchmark)：**由Artificial Analysis开发的知识与幻觉评测。V5使用的版本，数据集经过清理和更新：移除了已经饱和或公开的题目，增加新题，并修订存在歧义或错误的题目。
**方法论：**该基准测试由涵盖 42 个主题的 3,000 个问题组成，包括商业、人文与社会科学、健康、法律、软件工程以及科学、工程和数学。
使用AA-Omniscience 净得分对模型进行评分，该指标为正确答案评分，为幻觉反应扣分，并保持弃权中立，奖励对错误猜测的弃权。
每个答案均分为CORRECT、INCORRECT、PARTIAL_ANSWER或NOT_ATTEMPTED 基于模型的响应和参考答案。使用GPT-5.6 Luna (medium)作为评审模型。
**综合说明：**这套评测包含3,000道开放式问题。
它将正确率与非幻觉表现分别纳入综合指数：
正确率占10%。
非幻觉表现占5%。
因此，这套评测并不是简单地统计模型答对了多少题，而是进一步关注模型在不知道答案时的表现。
为什么要这样设计？
因为大模型有一个长期存在的问题：即使缺少可靠依据，也可能生成听起来非常合理的答案。
对于用户而言，最危险的情况未必是模型直接说不知道，而是模型编造一个看似正确的事实。
AA-Omniscience试图同时衡量知识能力与回答可靠性。
当然，准确率与幻觉率也不能完全概括模型的可靠性。模型是否能够正确表达不确定性、是否会在特定领域犯错，以及错误会造成多大影响，仍然需要结合具体场景判断。
各个模型在该基准下的表现(截止20261101)：
进TOP15的国产模型分别是：
Kimi K3.1 Pro（第9）
Step 5 Preview（第14）
选型分析：
Gemini 4 登顶，TOP15国产模型只有Kimi和Step 5进选，国产模型在通用能力上相比国外顶尖模型差距挺大的。
2. HLE-Diamond：为什么还要保留高难度知识考试？
HLE-Diamond：是 Humanity's Last Exam 的精修版本，共有 1,000 道题，由 Center for AI Safety 和 Scale AI 发布。原始题目经过一年的清洗与修订，并吸收了研究社区的意见。数据集包含 500 道推理题和 500 道知识题，其中 272 道包含图片。模型需要给出开放式答案，再通过答案匹配评估机制判断结果是否正确。
综合说明：
为什么不只使用真实工作任务？
因为工作流测试与知识推理测试关注的能力并不相同。一个模型可能擅长调用工具、修改代码和执行任务，但在某些高难度知识问题上仍然表现不佳。反过来，一个模型也可能具备很强的知识储备，却不擅长将知识转化为实际行动。HLE-Diamond试图从另一个角度检验模型的知识与推理能力。
它与AA-Omniscience之间也存在区别：
AA-Omniscience更关注知识准确性、错误回答与幻觉。
HLE-Diamond更关注高难度问题的正确解答情况。
两者结合，可以从不同角度评估模型的通用能力。
各个模型在该基准下的表现(截止20261101)：
进TOP15的国产模型分别是：
Kimi K3.1 Pro（第10）
DeepSeek V4.1 Flash 1017 （第10）
选型分析：
Gemini 4 登顶，TOP15国产模型只有Kimi和DeepSeek 进选，结合AA-Omniscience评测集的结论，对应一些通用能力的业务场景，无法使用国外的模型的情况下， Kimi K3.1 Pro和DeepSeek 可能是更好的选择。
八、9套评测集放在一起，V5究竟想衡量什么？
到这里，我们已经拆解了全部四大类别和9套评测集。
把它们放在一起，可以发现V5并不是用一种测试方法衡量所有模型能力，而是组合了几种不同的评测思路。
这套体系的设计思路比较清晰：既评估模型知道多少，也评估模型能做什么；既关注单项答案是否正确，也关注完整任务能否完成。
但这并不意味着9套评测已经覆盖了大模型的全部能力。
官方明确说明，Intelligence Index主要以英文文本任务为基础。多语言能力、视觉理解、语音输入等能力另有单独的评测。
因此，V5的综合分数更适合用于比较模型在这套评测体系中的总体表现，而不是作为衡量所有AI能力的唯一标准。
九、V5升级了什么？为什么不能简单比较V4和V5？
最后，再回到这次升级本身。
V5主要进行了以下调整：
这意味着，V5不只是重新排列了模型名次，而是改变了衡量模型能力的部分标准。
尤其值得注意的是，60%的综合指数权重来自使用私有测试集或保留答案的评测。其目的，是降低公开题目被模型训练数据覆盖后，对评测结果造成的影响。
但私有测试集并不意味着绝对公平。
它可以减少题目污染的风险，同时也会让外部研究人员更难完整检查题目和复现全部结果。
因此，理解V5时，需要同时关注两件事：
一是模型在新评测体系中的成绩。
二是这套评测体系本身的设计、权重和局限。
如果没有第二层理解，单看排名，很容易把一个综合指数误解为模型全部能力的绝对排名。
十、最后：大模型排行榜，应该怎么看？
Artificial Analysis V5最值得关注的地方，不只是谁拿到了第一名，也不是某个国产模型与榜首相差多少分。
真正值得关注的是：大模型评测正在越来越重视真实任务的完成情况。
从真实代码仓库，到科学研究工作流，再到完整的知识工作任务，评测的重点逐渐从「能不能给出正确答案」，扩展到「能不能完成一项复杂工作」。
但我们也需要记住，任何综合指数都包含评测者的设计选择。
选哪些题目、给不同能力多少权重、如何判断任务成功，都会影响最终排名。
所以，看榜单时，最好同时问三个问题：
第一，这个模型的综合分数是多少？
帮助我们快速了解它在当前评测体系中的总体表现。
第二，它在哪些具体评测中表现更好？
帮助我们判断它是否适合编程、知识工作、科学研究或其他具体场景。
第三，这些分数是如何测出来的？
帮助我们理解排名的含义，也避免把一次评测结果当成绝对结论。
毕竟，榜单的价值不只是告诉我们谁更强，更重要的是帮助我们理解：AI的能力究竟在什么地方，又还有哪些地方没有做好。
而这，才是研究Artificial Analysis V5真正有意思的地方。
