据“懂擦捶打”（Dongcha Beating）的监测，传统 AI 模型评估往往依赖通用的学术数据集，从而导致高测试分数与实际业务表现之间出现差异。评估机构 Artificial Analysis 已推出六个面向行业的指数，用于衡量真实的业务表现：在现有用于智能与编程的通用能力指数基础上构建（涵盖金融、法律、医疗健康、运营、工程与经济）。不同于通用能力指数，行业指数会根据 O*NET 的工作活动分类进行加权分布定制，以模拟真实岗位中任务出现的频率。它将大模型的底层能力测试（如 HLE 推理、LCR 长文本处理、GDPval agent work 等）与各行业的专门知识库（AA-Omniscience）进行匹配。在初始测试阶段，闭源模型 Claude Fable 5 在全部八个指数中均位列第一；而开源的 GLM-5.2 在六个行业指数中赢得了五个第一名，工程指数得分为 53，接近 Claude Sonnet 5 的 55。
评估还揭示了显著的性能差距：在运营指数中，Claude Fable 5 的单任务成本（$3.48）是开源 DeepSeek V4 Pro（$0.03）的超过一百倍；在法律指数中，Gemini 3.1 Pro 的预览版本相比 Claude Fable 5 快近七倍，分数仅低 11 分。根据任务场景权衡性能与成本效益，正逐渐成为垂直领域 AI 选型的新基准。
308.3万 热度
433.07万 热度
254.42万 热度
394.78万 热度
65.23万 热度
人工智能评估的革命！Artificial Analysis 推出行业能力指数：Claude Fable 5 占据主导，开源 GLM-5.2 接近闭源前沿
据“懂擦捶打”（Dongcha Beating）的监测，传统 AI 模型评估往往依赖通用的学术数据集，从而导致高测试分数与实际业务表现之间出现差异。评估机构 Artificial Analysis 已推出六个面向行业的指数，用于衡量真实的业务表现：在现有用于智能与编程的通用能力指数基础上构建（涵盖金融、法律、医疗健康、运营、工程与经济）。不同于通用能力指数，行业指数会根据 O*NET 的工作活动分类进行加权分布定制，以模拟真实岗位中任务出现的频率。它将大模型的底层能力测试（如 HLE 推理、LCR 长文本处理、GDPval agent work 等）与各行业的专门知识库（AA-Omniscience）进行匹配。在初始测试阶段，闭源模型 Claude Fable 5 在全部八个指数中均位列第一；而开源的 GLM-5.2 在六个行业指数中赢得了五个第一名，工程指数得分为 53，接近 Claude Sonnet 5 的 55。
评估还揭示了显著的性能差距：在运营指数中，Claude Fable 5 的单任务成本（$3.48）是开源 DeepSeek V4 Pro（$0.03）的超过一百倍；在法律指数中，Gemini 3.1 Pro 的预览版本相比 Claude Fable 5 快近七倍，分数仅低 11 分。根据任务场景权衡性能与成本效益，正逐渐成为垂直领域 AI 选型的新基准。