截至 2026 年 10 月 18 日，本期以 Artificial Analysis（AA）Intelligence Index v4.3.2 为唯一主排序，整理来源表内按模型版本去重后的前 20 项。每个模型只保留表内得分最高的已测配置，完整保留 max、high、with fallback 等设置；不同版本不合并。这是当日页面快照，不是 10 月整月或月末定榜。

本期结果怎么读

Claude Opus 5.5（max with fallback）以显示分数 58 领跑本次样本。Claude Sonnet 5.5（max with fallback）与 Muse Wonder Full（max）均显示 56。Claude Fable 5.1（max with fallback）、GPT-6 Astra（max）与 Gemini 4 Argon（high）均显示 53。相同的显示整数不能证明原始精度完全相同，也不能证明差距具有统计显著性；同分行保留来源顺序，仅用于展示。

为什么有的榜单是 1600 多分

先看完整指标名，不能只看“AA”或分数大小。AA Intelligence Index 是综合指数；AA 的 GDPval-AA、AA-Briefcase 则可使用 Elo 标度。当前 GDPval-AA v2.1 把 DeepSeek V4.1 Flash（max）的基线锚定在 1600。Arena 文本偏好评分也使用由成对比较模型转换的标度，但它有自己的数据与基线。这些“千分制”都不是综合指数的另一种写法，1600 不能与 58、59.6 或 93% 直接比较，也不能简单除以常数换算。

为什么选择 AA 作为主榜

编辑建议：综合能力月榜固定一个来源和一个指标，另看任务专项测试、人类偏好与成本。AA 当前方法公开了任务类别与权重：Agent 30%、编程 20%、科学推理 20%、通用能力 30%。它主要覆盖英文文本任务；中文写作、视觉、语音及具体业务效果仍需另外验证。综合指数可作筛选起点，不能代替自己的真实任务测试。

推理预算和成本也要一起看

同一模型的 max 与较低推理档不是相同配置，with fallback 也属于评测设置。表中成本照录 AA 的 Cost per Task（美元/任务），不是每百万 token 的 API 报价或订阅价格。来源未展示的值写为“未展示”，不按零计算。为避免用同一模型的多个推理档占满榜单，本期按具体模型版本去重；这里的序号不等于 AA 全配置榜原始名次，也不代表厂商官方默认配置。预览型号及缺报价型号可被收录，入榜不保证已对所有用户开放。

前几篇的分数能不能接着比较

8 月榜与9 月榜是 LLM Stats 历史快照，综合分不是 AA 智能指数。4 月旧榜只有本站旧稿引用，无法独立核实原始评测，现已撤回历史分数。不能因为旧榜出现 59.6、本期最高为 58，就推断模型能力下降。来源、方法版本、配置或样本范围变化后，都应单独标注，不能直接制作跨期升降。

本期仅转录和整理 AA 已发布结果，未自行运行底层基准。原始表格、采集时间及校验信息已随本期资料保存；数值以后变化时另建新快照，不覆盖本期。