一张榜看懂 10 月的模型排位：前四名挤在 3 分内、开源旗舰 11 月补位、25 分那一档不是差生

一、先说清这张榜在量什么，不然排名没意义

Artificial Analysis 的 Intelligence Index 是一个 0–100 的合成分，不是百分比。当前流通的版本是 v4.3.2，把十项评测加权成一个数：智能体任务 30%、编程 20%、通用知识 30%、科学推理 20%。十项里包括 GDPval-AA、Terminal-Bench 4.0、AutomationBench-AA、Humanity's Last Exam、AA-Omniscience、AA-LCR 这些。

它含「工具与脚手架」：其中几项是带 agent harness 跑的，同一个模型换脚手架分数会变。所以它是「这套配置下干活的能力」，不是纯粹的模型本体能力。
版本之间不可比：AA 从 v4.1.1 升到 v4.3.2 时，全部模型被重算并集体下调 12–19 分——分数变低不代表模型变笨，是标尺换了。任何把新旧版本分数混在一张表里排名的稿子，都可以直接跳过。
同分不等于同价：官方举的例子是，GPT-6 Astra（max）与 Claude Fable 5.1（max with fallback）同为 53 分，每项索引任务成本分别是 3.26 美元与 7.63 美元，差 57%。

二、顶部：四根柱子一样高，但只差 3 分

截图里前四名都是 56 分。按 AA 官方模型页与 10 月 23 日的评测发布，这四个位置对应的数值是：

Claude Opus 5.5（max with fallback）58——榜首
Claude Sonnet 5.5（max with fallback）56
Muse Wonder Full（max）56——Meta 10 月 12 日发的旗舰，只对 Muse Code 订阅用户开放，没有公开 API；截图里那根蓝色斜纹柱与左上角「No publicly available API」图例，说的就是它
Kimi K3.1 Pro55——10 月 23 日发布，AA 列第 4 / 215，比自家上一代 K3（max，44）高 11 分

截图与官方页面差 1–2 分，属于抓取时刻、effort 档位与刷新节奏不同，本文数值一律以 AA 官方页面为准。真正值得记的是量级：榜首到第四名只差 3 分，而 9 月的 v4.3 榜单里第一与第十还隔着 6.5 分——头部在挤。

三、中段：开源模型全挤在 40–46 这一带，而且 11 月还要往上顶

GLM-5.3（智谱）：45 分，753B MoE / 约 40B 激活、1M 上下文，自定义许可（商用需署名，超大 MaaS 运营方要先过安全审查）
Kimi K3（max）：44 分，2.8T 参数级，7 月已开源权重
GLM-5.3-Flash：42 分，320B / 18B 激活、原生多模态、MIT 许可，是官方点名的「同分里最便宜」那一个
Qwen3.8 2.4T A95B：40 分；DeepSeek V4 Pro 0813（max）：36 分
第三方汇总口径里，开源第一是MiMo-V2.6-Pro（46），紧随其后是 DeepSeek V4.1 Flash 1017 与 GLM-5.3（45）——这一行不是 AA 官方发布的数字，看的时候按「汇总」而非「官方」对待

关键变化在 11 月：Kimi K3.1 Pro 的完整权重预计 11 月 4 日前放出。一旦落地，它将成为史上分数最高的开放权重模型，把「最强开源」与「最强闭源」之间的差距从 12 分压缩到 3 分。对做私有化的人来说，这句话的分量比任何单次跑分都重——它意味着「断网机房里的模型」与「云端 API」的能力差，第一次进入了可以用业务验收来填补的区间，而不是必须靠采购口径解释的鸿沟。

四、榜尾 25–26 分不是差生，是分工不同

截图最右侧那几根矮柱——Gemma 4 32B（26）、Nemotron 3.5 Super VL（25）——常被读者当成「淘汰名单」。这是个误读：这张榜量的是通用推理与智能体任务，而小模型和端侧模型的价值从来不在这一栏。

比的是每 GB 智能：NVIDIA 给 Bolt 系列的卖点是「每 GB 显存的智能与速度」，而不是总分；它在 PinchBench 同级开放模型里排第一，在 BrowseComp 的开放模型里排第二。
比的是能不能落在设备上：4 GB 显存跑对话智能体、24 GB 单卡跑 74B（原生 2 bit），这些指标在这张榜上根本显示不出来。
比的是延迟：端侧模型的核心 KPI 是首字延迟与功耗，通用智力分高 5 分、却要多等 800 毫秒，在语音助手里是负分。

五、五档排位与它们的真实门槛

分档	代表模型（AA 指数 v4.3.2）	这一档擅长	落地的真实门槛
56–58 头部	Claude Opus 5.5（58） Claude Sonnet 5.5（56） Muse Wonder Full（56） Kimi K3.1 Pro（55）	长程智能体跨仓库重构少返工	前三款闭源无权重可下 Wonder Full 连 API 都不开 K3.1 Pro 权重 11-4 前放出
52–53 次顶	GPT-6 Astra（53） Gemini 4 Argon（53） Muse Wonder（52）	通用编码研究检索文档理解	全闭源 API 同分不同价：每任务 3.26 对 7.63 美元
40–46 开源带	GLM-5.3（45） Kimi K3（44） GLM-5.3-Flash（42） Qwen3.8 2.4T A95B（40）	私有化主力代码与文档可微调	753B 需多卡 Flash 档 320B MIT 许可，单机可试
33–39 性价比带	Muse Spark Open（39） DeepSeek V4 Pro 0813（36） DeepSeek V4 Flash 0731（34）	高吞吐抽取批处理分类	单机到双卡用速度换分数，账单最低
25–32 端侧带	Gemma 4 32B（26） Nemotron 3.5 Super VL（25）	设备端对话语音助手视觉前置	4–24 GB 显存档看每 GB 智能与延迟不看这张总分榜

这张表最实用的一行是第三行：40–46 分这一带，是私有化交付唯一有现货的区间；56 分那一档目前只有一家给出「即将放出权重」的时间点，且还是 2.8T 级参数——能不能进机房，是另一道题。

机悟的建议：榜单只用来排除，不用来决定

拿着这张榜做选型，三个动作就够，别多：

先用分档排除：把「必须在自家机房跑」作为第一道筛子，直接砍掉 56–58 与 52–53 两档，剩下 40–46 才是可比集。
再用成本筛一遍：同分不同价在这个榜上是常态，按「每完成一项任务多少钱」算，而不是按每百万 token 单价算。
最后用自家题验收：拿 30–50 条真实业务题跑一遍，程序判分。榜单能告诉你谁值得试，不能告诉你谁能在你的卷宗、工单、报表上不出错。
如果你手里有明确的卡型与业务样本，40 分钟评估里我们把「哪一档装得下、大概多少 tok/s、错在哪」写成一张表给你，连复测脚本一起留。

数据来源：Artificial Analysis Intelligence Index v4.3.2 与官方模型页（Kimi K3.1 Pro、Muse Wonder / Muse Wonder Full、GLM-5.3 与开源对比页，2026-10-12 至 10-25 查询）、Artificial Analysis《Announcing the Intelligence Index v4.3》（2026-09-07）、AA 官方 X 发布（Muse Wonder 52 / Wonder Full 56、Kimi K3.1 Pro 55 第 4）、Meta 研究与 VentureBeat、TechCrunch 关于 Muse Wonder 系列的报道（2026-10-12）、CGTN 与 Intelligent Living 关于 K3.1 Pro 的报道（2026-10-23/24）、The Open Weights 与 TensorX 的第三方汇总数据。图中排位为读者提供的 dashboard 截图（2026-10-25），其顶部四根等高的 56 分与 AA 官方页面的 58/56/56/55 存在 1–2 分差异（抓取时刻、effort 档位与榜单刷新节奏不同所致），本文数值一律以 AA 官方页面为准，第三方汇总数据单独标注。榜单分数非本机实测，不构成能力排名结论。本文仅转述公开报道，不评判任何企业与产品，不构成投资建议。