AI 模型的智能分數怎麼來的？Artificial Analysis 改版與品質分爭議，看懂排行榜背後的計算方式

同一批模型的分數突然一起往下掉，Artificial Analysis 在 2026 年 9 月改了什麼

9 月中看到某個模型的分數比 8 月少幾分，先別急著說它退步。2026 年 9 月 7 日，專門替 AI 模型打成績的 Artificial Analysis（以下稱 AA）把 Intelligence Index（智能指數，用一組標準題庫替模型打總分）升到 v4.3，幾乎所有模型的分數同步下探，原因不是模型變笨，而是考卷換了。

改動有兩塊。一是題目本身，Terminal-Bench 從 2.1 換成 4.0，這項目考模型能不能在命令列環境完成任務，新版題目更長、更貼近真實除錯情境，難度基準自然不同。二是部分評測項目整批替換，題庫組成跟著改變。智能指數是多項測驗加權出來的總分，只要其中一項被換掉，基準線就會移動，這是全體分數一起下滑的主因。

為什麼舊文章的數字不能直接拿來比

智能指數的分數是相對值，不是絕對值。同一個版本內，58.9 跟 57.6 比得出高下；跨版本相比，就像拿今年的學測成績去對三年前的錄取分數，看起來都是數字，立足點卻不一樣。許多排行榜與評測文章沒有標版本，讀者拿改版前的分數去對改版後的分數，很容易誤判某個模型退步，其實只是題目變難。

看分數前先確認三件事：指數版本、抓取日期，以及是不是同一份題庫算的。截至 2026 年 10 月，AA 官網與主要排行榜多半會標版本，轉載文章卻經常省略這行小字。企業若想拿分數當採購依據，建議自己建一張表，把版本號和日期一起記錄，半年後回頭看，才知道哪些數字還能用。

智能分數是怎麼打出來的：一份成績單的組成

打開任何一份 AI 模型排行榜，你會看到一個兩位數分數，例如 58.9 或 44.8。這是智能指數（Intelligence Index），由獨立評測機構 Artificial Analysis 定期公布，把幾十個模型壓縮成一條能排序的直線。它不像學校段考只有一份考卷，而是把十幾種不同性質的測驗合併成一個代表值，方便你在短時間內判斷誰在前段班。

以 2026 年 10 月的版本 v4.3.2 為例，考題分四類：文字推理、程式撰寫、知識問答，以及工具操作。工具操作最常被忽略，它要求模型在模擬的終端機環境完成指令任務，考驗能不能動手做，而不是能不能講得漂亮。每一類底下還有好幾份試卷，各自產生原始分數，再送進同一個合併流程。

總分是加權合併，不是各項平均

這些原始分數不是相加除以項目數，而是先依難度與代表性給權重再合併。理由很實際：各份考卷的題數與猜對機率不同，等權平均會讓容易的項目主導結果。加權之後，總分反映的是評測機構認為重要的事，不是全能程度。於是可能出現某個模型程式項目排前三，卻因為工具操作普通，總分被拉到第五。它不是變笨，是被拉去考了不擅長的科目。

那分數差多少才算有差？截至 2026 年 10 月，榜首 GPT-5.6 Sol 是 58.9，Claude Opus 5.5 約 57.6 至 58（benchlm.ai，2026-10）。兩者相差 1 分上下，在這種合併式指標裡屬於雜訊等級，不會因為這 1 分讓你的客服機器人突然開竅。真正該注意的是十幾分的級距，那代表能力斷層，例如開源權重模型 GLM-5.3 的 44.8。

看分數時記得帶著版本與日期，否則很容易拿不同年度的考卷比排名。

同樣叫品質分，三家榜單給出三個不同的榜首

2026 年 10 月打開三個模型比價網站，會看到三張榜首完全不同的表。先講 benchlm.ai，它是一個把模型分數與 API 價格並排的比較站，算法最單純，結論是阿里 Qwen3.7 Flash 性價比最高；costgoat 同樣比性能與價格，但先設了品質門檻，冠軍換成 DeepSeek V4.1 Flash；至於獨立評測機構 Artificial Analysis，它只排智能指數、完全不看價格，前段班仍是 Claude Sonnet 5.5 這類旗艦模型。不是誰造假，是三家在回答不同的問題。

更新日期也不同。AA 的改版發生在 9 月，動的是題庫；benchlm 與 costgoat 是 10 月中才更新價格，動的是分母。兩邊時間軸錯開，拿不同日期的數字互比，很容易得到錯誤結論。

benchlm 的算法最直白，把分數除以每百萬 token 輸出價，算的是「每花一塊美元買到幾分」。Qwen3.7 Flash 拿 46.93 分、輸出價 $0.13，除下來 361 分登第一；MiMo-V2.6-Flash 64.51 分、$0.28 換算 230 分第二；Mercury 2.5 33.77 分、$0.15 換算 225 分第三。這三個數字攤開看，Qwen3.7 Flash 的分數其實只比 Mercury 2.5 高十幾分，名次差距主要來自價格低了一截，不是能力強一大截。反過來看，Claude Haiku 5.5 拿到 70.04 分，分數全場最高，但輸出價 $0.50 把它的每美元得分壓到 140 分、掉到第六。分母小，分數不必高也能衝榜，這張表本質上是便宜優先的邏輯。

costgoat 先設門檻再比價，模型要達到一定可用品質才進榜。DeepSeek V4.1 Flash 以品質 68、輸出價 $0.14 換算 472 分排第一；GLM 5.3 Flash 品質 73、輸出 $0.18 換算 405.6 分第三；GPT-6 Luna 批次價 $0.25、品質 65 換算 260 分第五。這裡也有一個容易被誤讀的地方，GLM 5.3 Flash 的品質分比分數較高的對手更高，名次卻排在後面，差別全在那 0.04 美元的輸出價。門檻擋掉了便宜但難用的選項，但門檻畫在哪裡，結果就會整個翻過來。

Artificial Analysis 走第三條路，用 Intelligence Index 綜合分數做絕對排名，價格完全不進分母。Claude Sonnet 5.5 的 56.0 分因此在這種排序裡靠前，在前兩張表卻擠不進前段，原因很單純：它的輸出價每百萬 token 要 10 美元，放進除以價格的算式一定吃虧。這也說明一件常見的誤解，貴不等於強，只是貴的模型在比價表上不吃香。

同一個模型，三張表的名次差多少

名次落差不是誤差，是三種價值觀的具體化。DeepSeek V4.1 Flash 在 benchlm 只排第 18，在 costgoat 卻是第 1，中間隔了十七個名次。差別出在兩邊認定的版本不同：benchlm 計入的是輸出價每百萬 token 1.20 美元的那個版本，算出來 54.7 分；costgoat 用的是 0.14 美元的 Flash 版，同一顆模型算出 472 分。名字一樣、價差將近九倍，名次當然翻過來。看榜單前先問自己「要省錢還是要最強」，答案不同，該看的那張表就不同。

讀排行榜最容易踩的四個坑，以及怎麼自己查證

排行榜本身沒問題，問題出在抄數字的人。少抄一個日期或分母，結論就會反過來。以下是整理 2026 年 10 月資料時最常看到的四種誤用。

第一個坑是把舊分數當成現在的分數。前面提過 9 月的改版讓全體分數下修，實際出錯的場景長這樣：你拿 8 月文章寫的 60 幾分，去比 10 月榜上的 58.9，然後判斷某個模型退步了。真正換掉的是量尺，不是模型。

第二個坑是把不同榜單的分數放進同一張表。同樣叫性價比，benchlm 用分數除以輸出價，costgoat 用另一套品質分除以輸出價，冠軍因此一個是 Qwen3.7 Flash、一個是 DeepSeek V4.1 Flash。更常見的是把 Claude Sonnet 5.5 的 82.2 分跟 AA Index 的 56.0 分並列，兩者根本不是同一把尺。

第三個坑是看到「開源最高分 46.3」就引用，卻沒確認那是哪個模型、多少參數、什麼授權。該篇報導只寫了分數、沒指名型號，而查得到、有名有姓的開源高分是 GLM-5.3 的 44.8 分。型號沒確認前，這數字不能當採購依據。

第四個坑是把廠商公布的品質分當成 Intelligence Index。GPT-6 Astra 的 91、Claude Fable 5.1 的 93 是 costgoat 的品質分，跟 AA Index 的 58.9 不同量尺，混著寫會讓讀者以為某個模型贏了 30 幾分。

自己查證的四個動作

養成四個習慣就能避開：每個分數註明抓取日期與索引版本；比較前確認分母是輸出價、輸入價還是混合價；模型名稱寫到完整版本號，GPT-5.6 Sol 與 GPT-6.1 Sol 是不同東西；只寫分數、不寫量尺的榜單，回頭找原始頁，找不到就別用。榜單能幫你縮小範圍，但沒有一個數字能替你決定，先算出自家工作的輸入輸出比例，再回頭看哪張表的分母最像你的帳單。

替代方案有限公司觀點：分數是採購參考，不是規格書

客戶拿著排行榜第一名來問「是不是該換成這個」，我們通常先反問：你現在用的模型在這份榜單上排第幾。排行榜不是替你挑冠軍，而是幫你確認兩件事，現有模型有沒有明顯落後，以及有沒有分數接近但便宜一截的替代品。

我們判斷該不該換的三個門檻

第一個門檻是分數差距。截至 2026 年 10 月，榜首與第二名的差距不到 1.5 分，這種差距在我們的實測裡幾乎感受不到，卻要付出整組提示詞重調的成本。差距拉到 5 分以上才算跨了一個級距，值得啟動評估。

第二個門檻是價錢。2026 年 10 月 modelgrep 與 costgoat 的資料都顯示，GPT-6 Astra 輸出價每百萬 token 是 50 美元，GPT-6.1 Sol 只要 10 美元，而兩者品質分是 91 對 90。差一點分數、差五倍價錢，這種組合才是我們會主動建議客戶評估的對象。

第三個門檻最常被忽略：分數相同不代表在你家的任務上表現相同。榜單考通用題庫，你的工作是客服回覆、合約摘要或財報整理，難點跟考題不同。我們一律先拿自家 30 到 50 筆真實案例跑一輪，過了才談換模型。

給台灣團隊的落地建議是分級派工，別讓整套系統綁在同一顆模型上。內部知識查詢、信件草稿這類容錯高的任務，用每百萬輸出 1 美元以下的入門模型就夠；對外客服與程式碼產生，才值得付到 10 美元的中價位。分級會拉高系統複雜度，維運人力不足的小團隊先用一顆中價位模型打天下，反而比較實際。

還有個現實：分數會改版，價格也會降。2026 年 9 月 OpenAI 把 GPT-6 Sol 與 Luna 降價五成，任何寫死在規格書裡的比較表半年就過期。分數當參考座標就好，規格書留給你自己跑出來的實測結果。

常見問題 FAQ

Q：智能分數會不會變？我看到的數字跟別人貼的不一樣，是怎麼回事？
會變。9 月那次改版之後，全體模型的分數都往下掉，所以拿改版前文章裡的數字去對現在的榜單，對不起來是正常的。截至 2026 年 10 月，GPT-5.6 Sol 以 58.9 分暫居第一，Claude Opus 5.5 大約 57.6 到 58 分，不同來源之間還會有一點出入。看分數最好連時間一起看，標個「截至 2026 年 10 月」或加個「約」，才不會拿著舊數字跟人家爭。

Q：為什麼每個網站講的「性價比第一名」都不一樣？
因為分子跟分母放的東西不同。benchlm.ai 用智能分數除以輸出價，第一名是 Qwen3.7 Flash；costgoat 用另一套品質分除以輸出價，只納入達到門檻的模型，冠軍變成 DeepSeek V4.1 Flash；benchlm 還有第三種算法，找保留領先者九成分數的模型裡價格最低的，結果是 Claude Sonnet 5.5。不是誰算錯，是三家在回答不同的問題。先看自己的用量形狀偏輸出還是偏輸入，再挑算法接近的榜單，不要只看第一名就決定。

Q：榜上的「品質分」跟「智能分數」是同一件事嗎？
不是，不能混著比。智能分數是 Artificial Analysis 那套綜合評測算出來的，GPT-5.6 Sol 的 58.9 就是這個。品質分則是像 costgoat 這類網站自己另外給的，GPT-6 Astra 的 91、Claude Fable 5.1 的 93 都屬於品質分。兩套尺規不一樣，直接比高低沒有意義，看榜之前先確認那個數字是哪一家、哪一套指標算出來的。

📩 有任何問題或需要協助，歡迎聯絡我們：[email protected]