Intelligence Index v4.2で何が変わったのか？

ナレッジワーク向けのAA-BriefcaseとPDF読解のGDP.pdfを追加。モデルスコアが飽和したGPQA Diamondを削除し、非公開データ比率を40%に倍増させた。

更新されたランキングの上位モデルは？

AnthropicのClaude Fable 5.1が首位で、OpenAIのGPT-6 Astraが続く。GPT-6 AstraはGPT-5.6 Solから4ポイント上昇した。

何が起きたか
Artificial Analysisが9月4日にIntelligence Index v4.2を公開。AA-BriefcaseとGDP.pdfを追加し、GPQA Diamondを廃止。
なぜ重要か
非公開データの比率がv4.1の2倍の40%に。開発者によるベンチマーク調整を防ぐ狙いがあり、v5でさらに引き上げる方針だ。
注目点
GPT-6 AstraはGPT-5.6 Solより4ポイント上昇。他社の最前線モデルと比べ、出力トークン効率も高かった。

誰に効くかベンチマーク順位を基に大規模言語モデルを選定する企業のAI担当者や技術評価者は、AI開発者によるテスト特化型の最適化の影響を従来より受けにくいスコアを参照できるようになる。

質問と回答はこのページに公開されます。

こういう要約が、毎朝あなたのメールに届きます。

背景と解説

AI開発者が公開ベンチマークに合わせてモデルを調整し、実用性を反映しないスコア上昇が起きる中、v4.2の更新が行われた。AA-BriefcaseとGDP.pdfを導入しGPQA Diamondを外すことで、従来測れていなかった能力の捕捉を目指す。

非公開データの比率拡大は、この指標の品質評価方法における構造変化だ。発表元はベンチマーク調整の防止を目的とし、v5でさらに比率を高める計画という。評価側と開発側のいたちごっこが続く構図だ。

企業向けAIモデルを選定する買い手にとって、新テストが実務性能を本当に反映するかが焦点となる。AA-BriefcaseとGDP.pdfが従来の指標と比べて最適化にどれだけ耐えるかが、首位の順位が実際の能力かテスト対策の結果かを左右するだろう。

よくある質問

Intelligence Index v4.2で何が変わったのか？: ナレッジワーク向けのAA-BriefcaseとPDF読解のGDP.pdfを追加。モデルスコアが飽和したGPQA Diamondを削除し、非公開データ比率を40%に倍増させた。
更新されたランキングの上位モデルは？: AnthropicのClaude Fable 5.1が首位で、OpenAIのGPT-6 Astraが続く。GPT-6 AstraはGPT-5.6 Solから4ポイント上昇した。