Artificial Analysis 祝贺 State of AI 报告发布

OpenAI发布GPT-5.4 mini与nano轻量模型，保留多档推理能力与400K上下文窗口，价格降至$0.20/$1.25每百万token。基准测试显示，GPT-5.4 nano在τ²-Bench等多项测试中领先Claude Haiku 4.5与Gemini 3.1 Flash-Lite Preview，但幻觉率较高且token消耗量大。得益于极低单价，nano在Intelligence Index测试中的有效成本反而低于竞品，展现出优秀的性价比优势。

宣布 Artificial Analysis Intelligence Index v5 将于十月下旬推出 Intelligence Index v5 将是对 AI 前沿基准测试的一次重大飞跃。变化包括新增 Terminal-Bench Science 以及一个使用私有数据集的新编程基准。 敬请期待更多消息。

Artificial Analysis 发布 AA-Video-T2V v2.0 和无音频版 AA-Video-T2V-Silent v2.0 文生视频基准，统一以 1080p 高码率评估，按 10 种用例、10 种能力和多种视觉风格排名，分别基于超 68,000 票（1,000+ prompts）和超 47,000 票（500 prompts）的人工偏好投票。

Artificial Analysis 回顾两年前 OpenAI 以 o1-preview 推动智能前沿，这是首个推理模型，如今所有前沿模型都用推理 token 先"思考"再作答。两年前 Intelligence Index v1 仅含 MMLU、GPQA、MATH、HumanEval 四项单轮考试式评测，如今 v4.3 已纳入 10 项高难度评测，涵盖长程智能体任务、高难编程与知识工作。

Artificial Analysis 发布 Capability Indices v1.1，将 O*NET 职业任务映射到基准并按能力出现频率加权，覆盖金融会计、战略运营、法律、医疗、工程和经济六大指数，基于 Intelligence Index v4.3 评测并结合专业评测。

Artificial Analysis 与韩国政府签署 MOU，成为主权 AI 模型基础项目的官方独立评估方。在 NIPA 主办的最新一轮韩国主权 AI 竞赛中，参赛实验室模型使用 Artificial Analysis Intelligence Index 评测，该指数占整体评审标准的 25%。

你可以在 Optima 中用自己的自定义基准测试 GPT-6 Astra。 前往 https://artificialanalysis.ai/optima 即可开始创建并运行你自己的自定义基准测试。

Artificial Analysis 发布智能指数 v4.3，将 Terminal-Bench 升级至 4.0，并新增基于 Zapier 私有测试集的智能体工作流基准 AutomationBench-AA。Claude Fable 5.1 与 GPT-6 Astra 以 53 分并列领先，GLM-5.3 与 Kimi K3 以 44 分领跑开源模型。私有任务评测权重由 40% 提升至 45%。

Zenity Labs 研究人员披露名为 AgentCorruption 的漏洞链，只需对一个公开的 Amazon Bedrock AgentCore 智能体发送一条提示词，即可通过元数据服务 169.254.169.254 窃取其 AWS 凭据，进而控制同账户同区域内的所有 AgentCore 智能体，读取私人对话、源代码和存储的凭据，还能篡改长期记忆。

Microsoft Research Asia 提出 Harnessed Agentic RL 训练范式并开源重建的 Agent Lightning v1.0，让部署时使用的同一 agent harness 直接参与强化学习，无需在训练框架内重写 agent。