AI 基准测试平台 Artificial Analysis 最新发布的六项行业能力指数显示，Anthropic 的旗舰模型 Claude Fable 5 在金融会计、法律、医疗、战略与运营、工程、经济学六个专业领域全面占据榜首。该指数基于美国 O*NET 系统的职业分类构建，针对各行业高频技能（如财务建模、法律研究、临床决策支持）进行独立评测，权重按技能在行业中的出现频率分配。
紧随其后的是 Claude Opus 4.8，在八项指数中的六项位列第二。OpenAI 的 GPT-5.5（xhigh 推理强度）在剩余两项中夺得亚军。值得注意的是，GPT-5.6 即将发布，可能进一步搅动现有格局。在第二梯队以下，谷歌 Gemini 3.5 Flash、Gemini 3.1 Pro Preview、Claude Sonnet 5 以及来自中国的 GLM-5.2 在不同领域互有胜负，排名随任务类型显著变化。
开源权重模型中，GLM-5.2 在六项行业指数中的五项领先，在工程基准中以 53 分位列总榜第五，仅落后并列第三的 Claude Sonnet 5 和 GPT-5.5 两分。在战略与运营指数中，DeepSeek V4 Pro 以 38 分成为开源阵营的领跑者。
这一结果与独立盲测平台 LMArena 截至 7 月 7 日的排行榜高度吻合。Claude Fable 5 同时在文本竞技场、代码竞技场和智能体竞技场三项主要类别中排名第一，Anthropic 也是唯一在这三大类别均领先的实验室。在智能体竞技场中，Fable 5 得分高出模型均值 16.58%，远超 GPT-5.5 xHigh 的 8.66% 和 Z.ai 旗下 GLM 5.2 的 6.62%。
然而，顶尖性能背后是惊人的成本溢价。成本分析显示，DeepSeek V4 Flash 在所有六项指数中的单任务成本均低于 0.04 美元，得分处于中游。GLM-5.2 作为性能最强的开源模型，单任务成本在 0.26 至 0.58 美元之间。相比之下，Claude Fable 5 在战略与运营指数中单任务成本高达 3.48 美元，是 DeepSeek V4 Pro 的 0.03 美元的逾百倍，而两者在该指数上的得分差距仅为 12 分。
这种“小幅质量优势对应巨大成本鸿沟”的现象，已在企业界引发关于性价比的激烈讨论。此前已有基准测试凸显 Fable 5 相对其有限性能提升所收取的高额溢价。部分企业开始探索混合模型策略：用能力更强的编排器将任务分发给性价比更高的“工人模型”，或将前沿模型仅用于验证任务是否可解，再寻找成本最低的替代方案完成实际执行。
也有不同声音。美国经济学家、大语言模型领域知名评论人 Ethan Mollick 认为，像 Fable 5 这样的模型带来的性能跃升，可能尚未被现有基准测试充分捕捉。不过，这一说法目前尚无实证支持。所有指数的完整权重、基准组件及方法论文档均已公开在 Artificial Analysis 网站上。
对于关注 AI 产业落地的投资者而言，这份报告清晰地划出了当前模型市场的两条主线：以 Anthropic 为代表的极致性能路线，与以 DeepSeek、GLM 为代表的极致性价比路线。两者在企业实际采购决策中的拉锯，将直接影响模型提供商的定价权、客户留存率以及下游应用开发的成本结构。