Artificial Analysis 发布 Decision Index v2：引入奖励校准置信度的 Decision Score

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。

Artificial Analysis 在旧金山发布 Intelligence Index v5，新增两项基准、三项升级，并首次让指数大部分基于私有测试集或留出答案，同时加大智能体编程与科学的权重。

两年前的今天，我们推出了 Artificial Analysis Video Arena，这是领先的文本生成视频模型众包对比平台。 此后，我们陆续新增了图生视频、带音频视频和视频编辑的排行榜。最初的排行榜仅有八个模型——如今我们已评测超过 140 个。

同一实验室的模型往往具有相似的人格画像，不过有些实验室存在明显不同的子群。 按30项人格特质对模型进行聚类，可得到三个自然形成的家族：Anthropic 模型与 OpenAI 的 GPT-6 模型归为一类，Google 模型与 Meta 的 Muse 模型归为一类，较早期的 OpenAI 模型则与 Llama 4 Maverick 同属一类。下文我们将逐一拆解各实验室内部的子群。

Artificial Analysis 推出 AA-PersonalityBench，从 30 项人格特质和 21 项沟通特征两个维度衡量语言模型差异，基于 900 道精选问题、由 LLM 评审团两两对比打分。

Artificial Analysis 发布研究预览版基准 AA-Robotics v0.1，让前沿大语言模型在编码 Agent 环境中直接操控 6 轴机械臂完成 8 项桌面任务。

Artificial Analysis 发布 AA-Robotics v0.1 研究预览，测试前沿语言模型控制 6 轴机械臂在物理世界理解、规划和执行的能力，首批公布八个任务的结果。

Artificial Analysis 将 AMD MI355X 纳入 AA-AgentPerf 基准，覆盖 Kimi K3、GLM-5.2/5.3 和 DeepSeek V4 Pro，并与 NVIDIA B200/B300 对比编码智能体推理性能。

Artificial Analysis 发布 Decision Index v1.0，从知识、推理、工具调用和分类四个基准评测决策模型的能力、成本和速度。

Artificial Analysis 推出 AA-3D 基准，让 21 个模型作为智能体在离线沙箱中把书面简报转化为 three.js 网页，由超 1000 名评委盲评产出逾 10000 票的 Elo 排名。