W rankingu Artificial Analysis z 28 października 2026 r. najlepszy model z wagami do pobrania uzyskuje 32 punkty, podczas gdy Claude Opus 5.5 firmy Anthropic zdobywa 58 punktów. W wersji 5 indeksu, który agreguje wiele testów, wszystkie modele otwarte tracą od 12 do 16 punktów, choć same modele się nie zmieniły.
W poprzedniej wersji, jeszcze dostępnej kilka dni wcześniej, MiMo-V2.6-Pro firmy Xiaomi, DeepSeek V4.1 Flash i GLM-5.3 przekraczały wszystkie 44 punkty. Nowa wersja zastępuje bowiem publiczne oceny zestawami pytań, do których laboratoria nie mają dostępu.
60% indeksu opiera się teraz na prywatnych testach
Zgodnie z artykułem prezentującym wersję 5, 60% indeksu opiera się na ocenach, których zestawy testowe są prywatne lub których odpowiedzi są utrzymywane w tajemnicy. Indeks dzieli się na cztery kategorie, z których każda ma wagę 25%: praca intelektualna, kodowanie, nauki ścisłe i wiedza ogólna.
Artificial Analysis wymienia m.in. FrontierCode 2.0, benchmark programowania uruchomiony przez Cognition, którego zadania „pozostają prywatne, aby uniknąć kontaminacji ». Kontaminacja oznacza obecność pytań testowych w danych treningowych modeli. Indeks uwzględnia także 40 trudnych pytań z CritPt v2 z fizyki, podczas gdy AA-Omniscience v1.1 został oczyszczony z pytań publicznych. Artykuł nie szczegółowi dokładnego składu tych 60%.
Trzy testy wypadają z indeksu: GDPval-AA, SciCode i AA-LCR. Dwa wchodzą: FrontierCode 2.0 i Terminal-Bench-Science, poświęcona zadaniom naukowym wykonywanym w terminalu. Na swoim koncie X, Artificial Analysis zwiększył już udział prywatny do 40% w wersji 4.2 z 4 września i zapowiadał dalszy wzrost w wersji 5.
Modele otwarte tracą od 12 do 16 punktów
Jedenaście modeli wymienionych na stronie modeli otwartych, nadal wyświetlanej w wersji 4.3.2 w dniu 28 października, traci od 12 do 16 punktów w wersji 5. Mistral Large 4, którego wagi nie są jeszcze opublikowane, traci 13 punktów. MiMo-V2.6-Pro spada zatem z 46 do 30, DeepSeek V4.1 Flash 1017 (max) z 45 do 32, a Muse Spark Open (Meta, xhigh) z 39 do 25.
Kimi K3.1 Pro firmy Moonshot AI, którego wagi nie są opublikowane, spada z 55 do 46. Najlepiej oceniane modele zamknięte utrzymują się między 50 a 58 punktów: Claude Opus 5.5 (58), GPT-6 Astra (57), GPT-6.1 Sol (55), Claude Sonnet 5.5 (54), GPT-6.1 Terra (51) i Gemini 4 Argon (50). Artificial Analysis nie wyjaśnia spadku modeli otwartych.
Od 3 do 26 punktów różnicy w zależności od modelu liczonego jako otwarty
Artificial Analysis podsumowuje wersję 5, pisząc, że różnica dla modeli z wagami otwartymi „spada z 3 do 12 punktów ». To wyliczenie uwzględnia Kimi K3.1 Pro z 46 punktami, mimo że jego wagi „nie są jeszcze opublikowane ». W artykule z 23 października serwis zapowiadał, że różnica zmniejszy się „z 12 punktów do 3″ po opublikowaniu tych wag, ale nadal nie były one dostępne 28 października. Karta modelu klasyfikuje go zresztą jako „Proprietary model ».
Biorąc pod uwagę tylko faktycznie opublikowane wagi, DeepSeek V4.1 Flash i GLM-5.3, z 32 punktami, są o 26 punktów za Claude Opus 5.5. Przed zmianą wersji różnica wynosiła 12 punktów. Z 25 punktami Mistral Large 4 dołącza do Muse Spark Open, a DeepSeek V4.1 Flash i GLM-5.3 wyprzedzają te dwa modele o 7 punktów.
Ranking wskazuje także ustawiony poziom wysiłku rozumowania dla każdego modelu. Przy ustawieniu niskiego wysiłku, Claude Opus 5.5 uzyskuje 35 punktów przy średnim koszcie 0,98 dolara za zadanie z indeksu, według Artificial Analysis. Przy maksymalnym wysiłku, to samo zadanie kosztuje go 10,04 dolara.
Repozytorium Hugging Face modelu Mistral Large 4 wskazuje 31 października 2026 r. jako szacowaną datę publikacji jego wag, bez plików ani licencji wieczorem 28 października. Mistral napisał 6 października, że opublikuje je „do końca miesiąca ». Wybrana licencja i wynik opublikowanej wersji pozostają nieznane.
