独立AI评测机构 Artificial Analysis 更新了智能体指数(Intelligence Index v4.1.1),结果引发热议:开源权重模型 Qwen3.8 Max 登顶”最佳整体模型”——这是开源模型首次在该指数综合排名第一,超越了 GPT-5.6、Claude Opus 5 等闭源旗舰。消息在 HN 上获得406分、263条评论,讨论热度与质疑声并存。
指数是怎么算的
Intelligence Index v4.1.1(8月6日发布)整合了9项评测:GDPval-AA v2、𝜏³-Banking、Terminal-Bench v2.1、SciCode、Humanity’s Last Exam、GPQA Diamond、CritPt、AA-Omniscience、AA-LCR——覆盖真实任务执行、银行智能体、终端操作、科学代码、超难考试、研究级问答等场景,共收录595个模型。与纯知识问答榜单不同,智能体指数更强调模型”把事情做完”的能力,这正是Agent应用的命脉。
开源模型的里程碑
Qwen3.8 Max 于8月5日被收录评测。如果排名坐实,它意味着开源权重模型在智能体任务上首次全面压制闭源旗舰——对依赖API的企业和追求可控性的团队都是强信号。有用户实测:把同一个棘手的间歇性bug分别交给 Qwen 和 Kimi K3,Qwen 会主动构建诊断工具、对日志做统计分析,更接近真相;也有用户反馈它在代码任务上”聪明但不够可靠”,写出的东西有时是坏的、不主动写测试。
质疑与争议
争议同样激烈。有评论指出:几天前该模型在页面上的分数还是53,随后被撤下,今天又以56分回归,官方没有给出解释;还有人质疑评测方法——部分模型只跑了3次benchmark,结论的置信度存疑。成本维度上,Qwen3.8 Max 每任务成本约$1.14,与 GPT-5.6 的$1.23几乎持平——模型太大无法自托管,开源的”实惠”红利暂时落不到用户头上。也有评论者发现它未出现在原始智能指数榜单中,质疑”怎么会是最佳”。
怎么看
无论排名是否稳固,信号是明确的:开源模型与闭源旗舰的智能体能力差距正在快速收窄,头部开源模型已经进入”同一梯队”的讨论范围。评测机构的方法论透明度和复现性,将成为接下来开源社区拷问的重点。