智能更新的人工分析智能指数4.1包含9项评估：GDPval-AA v2、𝜏³-银行、Terminal-Bench v2.1、SciCode、人类的最后考试、GPQA Diamond、CritPt、AA-全知、AA-LCR。推理模型由灯泡图标表示。人工分析智能指数4.1包括：GDPval-AA v2、𝜏³-银行、Terminal-Bench v2.1、SciCode、人类的最后考试、GPQA Diamond、CritPt、AA-全知、AA-LCR。有关更多细节，请参见智能指数方法论，包括每项评估的细分以及我们如何进行它们。人工分析智能指数由开放权重/专有人工分析提供。人工分析智能指数4.1包含9项评估：GDPval-AA v2、𝜏³-银行、Terminal-Bench v2.1、SciCode、人类的最后考试、GPQA Diamond、CritPt、AA-全知、AA-LCR。推理模型由灯泡图标表示。人工分析智能指数4.1包括：GDPval-AA v2、𝜏³-银行、Terminal-Bench v2.1、SciCode、人类的最后考试、GPQA Diamond、CritPt、AA-全知、AA-LCR。有关更多细节，请参见智能指数方法论，包括每项评估的细分以及我们如何进行它们。指示模型权重是否可用。如果权重可用但商业使用有限（通常需要获得付费许可证），则模型标记为“商业使用受限”。智能评估由人工分析独立测量 · 数值越高越好。代理知识工作，Elo代理SaaS工作流，法律代理工作，任务通过率，代理商业运营。推理模型由灯泡图标表示。尽管模型智能通常可以跨用例传递，但特定评估可能与某些用例更相关。人工分析智能指数4.1包括：GDPval-AA v2、𝜏³-银行、Terminal-Bench v2.1、SciCode、人类的最后考试、GPQA Diamond、CritPt、AA-全知、AA-LCR。有关更多细节，请参见智能指数方法论，包括每项评估的细分以及我们如何进行它们。AA-公文包新的AA-公文包Elo AA-公文包是由人工分析开发的代理知识工作基准。AA-公文包Elo是一个综合指标，汇总了标准通过率、分析质量Elo和展示Elo · 数值越高越好。推理模型由灯泡图标表示。AA-公文包Elo是一个综合指标，汇总分析质量Elo、展示Elo和标准通过率，通过合成的头对头比赛将标准表现转换为Elo。Elo和95%的置信区间界限被夹在0。AA-全知AA-全知指数（数值越高越好）衡量知识可靠性和幻觉。对正确答案给予奖励，惩罚幻觉，并且不对拒绝回答进行惩罚。得分范围从-100到100，其中0表示正确答案与错误答案相等，负分表示错误答案多于正确答案。推理模型由灯泡图标表示。AA-全知指数（数值越高越好）衡量知识可靠性和幻觉。对正确答案给予奖励，惩罚幻觉，并且不对拒绝回答进行惩罚。得分范围从-100到100，其中0表示正确答案与错误答案相等，负分表示错误答案多于正确答案。智能指数比较 智能指数与每项任务的成本人工分析智能指数 · 每个人工分析智能指数任务的加权平均成本（美元）。最具吸引力的象限。推理模型由灯泡图标表示。每项智能指数任务的加权平均成本。每项评估的成本由输入、缓存命中、缓存写入、推理和答案代币价格计算，除以任务数量，并根据其智能指数权重加权。人工分析智能指数4.1包括：GDPval-AA v2、𝜏³-银行、Terminal-Bench v2.1、SciCode、人类的最后考试、GPQA Diamond、CritPt、AA-全知、AA-LCR。有关更多细节，请参见智能指数方法论，包括每项评估的细分以及我们如何进行它们。代币使用输出代币每项智能指数任务在人工分析智能指数中使用的加权平均输出代币数量。推理模型由灯泡图标表示。每项智能指数任务所需的代币数量。通过将每个评估的输出代币与智能指数中每个基准的相对权重相乘，然后除以任务数量（不包括重复项）来计算。价格与成本 每项智能指数任务的成本。按代币类型划分的人工分析智能指数任务的加权平均成本（美元）。越低越好。推理模型由灯泡图标表示。每项智能指数任务的加权平均成本。每项评估的成本由输入，