人工智能分析智能指数人工分析智能指数 v4.1.1 包含 9 个评估：GDPval-AA v2、𝜏³-银行、终端基准 v2.1、SciCode、人类的最后考试、GPQA 钻石、CritPt、AA-全知、AA-LCR，推理模型用灯泡图标表示。人工智能分析智能指数 v4.1.1 包括：GDPval-AA v2、𝜏³-银行、终端基准 v2.1、SciCode、人类的最后考试、GPQA 钻石、CritPt、AA-全知、AA-LCR。有关每个评估的详细信息以及我们如何进行这些评估，请参阅智能指数方法论。人工智能分析智能指数由开放权重/专有人工分析智能指数 v4.1.1 包含 9 个评估：GDPval-AA v2、𝜏³-银行、终端基准 v2.1、SciCode、人类的最后考试、GPQA 钻石、CritPt、AA-全知、AA-LCR，推理模型用灯泡图标表示。人工智能分析智能指数 v4.1.1 包括：GDPval-AA v2、𝜏³-银行、终端基准 v2.1、SciCode、人类的最后考试、GPQA 钻石、CritPt、AA-全知、AA-LCR。有关每个评估的详细信息以及我们如何进行这些评估，请参阅智能指数方法论。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“商业用途受限”。智能评估由人工分析独立测量的智能评估·分数越高越好，工具使用的代理性推理与知识知识 1 - 幻觉率，长上下文推理、电子表格和文档上的定量分析，推理模型用灯泡图标表示。虽然模型智能通常跨用例翻译，但特定评估可能对某些用例更具相关性。人工智能分析智能指数 v4.1.1 包括：GDPval-AA v2、𝜏³-银行、终端基准 v2.1、SciCode、人类的最后考试、GPQA 钻石、CritPt、AA-全知、AA-LCR。有关每个评估的详细信息以及我们如何进行这些评估，请参阅智能指数方法论。AA-全知AA-全知指数AA-全知指数（分数越高越好）测量知识的可靠性和幻觉。它奖励正确答案，惩罚幻觉，并且拒绝回答没有惩罚。分数范围从 -100 到 100，其中 0 意味着正确答案和错误答案一样多，负分意味着错误答案多于正确答案。推理模型用灯泡图标表示。AA-全知指数（分数越高越好）测量知识的可靠性和幻觉。它奖励正确答案，惩罚幻觉，并且拒绝回答没有惩罚。分数范围从 -100 到 100，其中 0 意味着正确答案和错误答案一样多，负分意味着错误答案多于正确答案。开放性指数人工分析开放性指数：分数开放性指数在 0 到 100 的标准化规模上评估模型开放性（分数越高越开放），推理模型用灯泡图标表示。智能指数比较智能指数与每个智能指数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），最吸引人的象限，帕累托线，推理模型用灯泡图标表示。每个智能指数任务的加权平均成本。每个评估的成本是通过输入、缓存命中、缓存写入、推理和回答令牌价格计算得出的，除以任务计数，并按其智能指数权重加权。人工智能分析智能指数 v4.1.1 包括：GDPval-AA v2、𝜏³-银行、终端基准 v2.1、SciCode、人类的最后考试、GPQA 钻石、CritPt、AA-全知、AA-LCR。有关每个评估的详细信息以及我们如何进行这些评估，请参阅智能指数方法论。令牌使用每个智能指数任务的输出令牌每个任务中用于运行人工分析智能指数的输出令牌的加权平均数，推理模型用灯泡图标表示。每个智能指数任务所需的令牌数。这是通过将每个评估的输出令牌乘以智能指数中每个基准的相对权重，然后除以任务计数（不包括重复）来计算的。成本每个智能指数任务的成本，人工分析智能指数的加权平均成本（美元），按令牌类型细分，分数越低越好，推理模型用灯泡图标表示。每个智能指数任务的加权平均成本。每个评估的成本是通过输入、缓存命中、缓存写入、推理和回答令牌价格计算得出的，除以任务计数，并按其智能指数权重加权。运行人工分析智能指数的成本（美元）用于运行人工分析智能指数中所有评估的成本，推理模型用灯泡图标表示。运行这些...