独立评测机构 Artificial Analysis 于 9 月 5 日发布其智能指数（Intelligence Index）4.2 版本，此举被普遍视为对近期关于其基准未能准确反映 OpenAI GPT-6 Astra 实际进步的批评的回应。此前，包括 OpenAI 自身在内的多项评估均显示 Astra 大幅领先于其他模型，而 Artificial Analysis 的旧版指数却将 Astra 与其前代模型评为持平，引发广泛质疑。
在更新后的指数中，GPT-6 Astra 的得分较其前代模型 Sol 高出 4 分，排名升至第二，但仍落后于 Anthropic 的 Claude Fable 5.1。Meta 的模型位列第三。此外，Artificial Analysis 指出，Astra 在每项任务上消耗的 token 数少于所有其他前沿模型，显示出更高的效率。在性价比方面，Anthropic、OpenAI、Meta 和智谱 AI 并列领先。
此次指数更新引入了两项新基准：AA-Briefcase，用于评估真实世界知识工作能力；以及由 Surge AI 提供的 GDP.pdf，用于测试 PDF 文档分析能力。同时，由于模型已在该基准上表现饱和，GPQA-Diamond 被移除。为增加“刷分”难度，私有测试数据在指数权重中的占比提升至 40%。此外，Artificial Analysis 还修复了多个基准的评分错误，并调整了评分系统以提高结果稳定性。
Artificial Analysis 解释称，此前暂缓更新是为了在主要模型发布期间保持分数稳定，但榜单头部变动过快，迫使团队进行临时更新。据悉，该机构已开发八个月的 5.0 版本将分阶段推出。
此次调整反映了第三方评测在快速演进的 AI 模型竞赛中面临的挑战：既要保持基准的稳定性与可比性，又要及时捕捉模型能力的真实跃升。对于投资者而言，评测结果直接影响市场对 OpenAI、Anthropic 等公司技术领先地位的判断，进而影响其估值叙事。Artificial Analysis 的更新也提示，单一评测机构的结论可能滞后于实际进展，多方交叉验证或更为可靠。