A empresa de referência Artificial Analysis lançou a versão 5 de seu Índice de Inteligência, considerando-a a maior atualização em sua classificação de modelo composto desde a estreia da v4 em janeiro. A mudança de manchete: pela primeira vez, 60% do Índice baseia-se em avaliações com conjuntos de testes privados ou respostas retidas – uma resposta direta aos problemas de contaminação de índices de referência que corroeram a confiança nas tabelas de classificação públicas.

A remodelação chega com um veredicto claro no topo. Claude Opus 5.5 (máx.) lidera o índice v5 em 58, à frente de GPT-6 Astra (máx.) em 57 e GPT-6.1 Sol (máx.) em 55. Anthropic e OpenAI juntos ocupam as cinco primeiras posições, com Gemini 4 Argon do Google (alto) próximo em 50. Para mais contexto sobre esta história, confira nossa últimos desenvolvimentos em IA.

O que mudou na v5

O Índice v5 é organizado em quatro categorias igualmente ponderadas – Conhecimento, Codificação, Ciência e Geral – cada uma valendo 25%. Dois benchmarks são totalmente novos e três receberam atualizações importantes:

  • FrontierCode 2.0 (novo). Referência privada da Cognition de 132 tarefas de codificação do mundo real em repositórios de código aberto, avaliadas com base na possibilidade de um mantenedor do repositório realmente mesclar a alteração do agente. As tarefas permanecem privadas para evitar contaminação, e a Análise Artificial executa cada tarefa três vezes em seu equipamento de agente Stirrup.
  • Terminal-Bench-Science (novo). Setenta tarefas de pesquisa científica agentes executadas em um ambiente de terminal, onde uma tarefa é aprovada apenas se todos os seus testes forem aprovados.
  • HLE-Diamond (atualizado). Uma versão refinada de 1.000 perguntas do Último Exame da Humanidade do Center for AI Safety and Scale AI, dividida igualmente entre questões de raciocínio e conhecimento, substituindo o HLE original.
  • AA-Omniscience v1.1 (atualizado). Um conjunto de dados de conhecimento e alucinações limpo com perguntas saturadas e públicas removidas.
  • Subconjunto rígido CritPt v2 (atualizado). Um subconjunto rígido privado de 40 perguntas do benchmark de física em nível de pesquisa, revisado por seus autores e executado com execução de código.

Saíram do Índice: GDPval-AA v2.1, SciCode e AA-LCR v1.1. A Artificial Analysis também lançou um Índice de Progresso v1, que rastreia a capacidade do modelo ao longo do tempo em uma única escala contínua.

Claude Opus 5.5 assume a liderança geral

Claude Opus 5.5 (máx.) lidera três das nove avaliações individuais: FrontierCode 2.0 com 46%, HLE-Diamond com 68% e AA-Omniscience v1.1 com 48%. Nenhum modelo lidera tudo – cinco outros modelos superam os seis benchmarks restantes.

GPT-6 Astra (máx.) lidera Terminal-Bench-Science com 63 por cento e o subconjunto rígido CritPt v2 com 72 por cento, confirmando a força da OpenAI no trabalho científico de longo horizonte. Claude Sonnet 5.5 supera AA-Briefcase em 1812 Elo, K3.1 Pro de Kimi lidera Terminal-Bench 4.0 com 67 por cento, Gemini 4 Argon lidera AutomationBench-AA com 78 por cento e Muse Wonder Full lidera GDP.pdf com 33 por cento de aprovação total.

Os resultados do HLE-Diamond contêm um detalhe revelador: os modelos líderes pontuam muito melhor em raciocínio do que em conhecimento. Claude Opus 5.5 e GPT-6 Astra atingiram 78 por cento em questões de raciocínio, mas caíram para 58 e 50 por cento, respectivamente, em conhecimento – evidência de que mesmo os sistemas fronteiriços ainda alucinam ou carecem de factos com mais frequência do que sugerem as suas pontuações de raciocínio.

A diferença de pesos abertos triplica

A descoberta mais preocupante para o ecossistema de pesos abertos: a diferença entre o melhor modelo aberto e o líder geral triplicou, aumentando de 3 pontos na v4.3 para 12 pontos na v5.

O K3.1 Pro de Kimi é o modelo de peso aberto com 46 anos - mas seus pesos ainda não foram divulgados. Entre os modelos com pesos liberados, o V4.1 Flash 1017 (máx.) da DeepSeek e o GLM-5.3 (máx.) da Z.ai lideram com 32, 26 pontos atrás de Claude Opus 5.5 e abaixo de Claude Haiku 5.5 (máx.) com 36.

A diferença é maior nos benchmarks de agência mais difíceis. No HLE-Diamond, Kimi K3.1 Pro pontua 37 por cento contra 68 por cento do Opus 5.5; no Terminal-Bench-Science, 34 por cento contra 63 por cento do GPT-6 Astra. A maioria dos modelos de pesos abertos avaliados pontuam menos de 10% no benchmark científico.

O preço por tarefa varia treze vezes

O custo continua a ser uma variável decisiva. Entre os dez modelos com maior pontuação, GPT-6.1 Terra (máx.) é o mais barato, custando US$ 0,96 por tarefa do Índice de Inteligência, enquanto Claude Fable 5.1 (máx.) é o mais caro, custando US$ 13,04 – um spread de mais de 13 vezes.

A história da eficiência é sem dúvida a conclusão mais prática da v5: GPT-6.1 Sol (máx.) pontua dentro de 4 pontos de Claude Opus 5.5, enquanto custa cerca de um oitavo por tarefa, US$ 1,27 contra US$ 10,04 do Opus. GPT-6 Astra (máx.) fica entre eles por US$ 6,24.

Por que os benchmarks privados são importantes

A mudança para conjuntos de avaliação privados reflete um problema que afeta todo o setor: os benchmarks públicos vazam para os dados de treinamento e ficam saturados, tornando impossível confiar nos ganhos da tabela de classificação. Com o FrontierCode 2.0, as tarefas são avaliadas de acordo com a possibilidade de um mantenedor mesclar a mudança — com qualquer falha na verificação de bloqueio com pontuação zero — e a lista de tarefas permanece privada.

Isso torna a v5 um dos benchmarks mais difíceis de jogar, e seu veredicto tem peso: a fronteira é liderada pela Antrópica e pela OpenAI, as configurações de esforço são mais importantes do que nunca e os modelos de pesos abertos têm um terreno sério para se recuperar nas tarefas de agência que definem cada vez mais o trabalho da IA ​​no mundo real.

---

Fique à Frente da IA

As últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.

Ler mais notícias de IA →