各厂商列按其最强模型在 Artificial Analysis Intelligence Index 上的得分排序
加载中...
同分并列（名次跳跃）；带 * 的分数为 AA 标注的估计/不完整数据。
该名录已扩充为独立的厂商简介页（收录月表全部厂商 + AA 在榜厂商）：厂商名录 →
加载中...
AA Intelligence Index 的构成为 agents / coding / 通用能力 / 科学推理四类各占 25%，不含纯数学评测，也不含写作与文学评测。以下榜单可补足这些盲区：
| 榜单 | 相比 AA 的优势 |
|---|---|
| LMArena | 人类盲评对战 Elo，行业影响力最大的榜单；直接反映真实使用偏好——写作风格、回答气质、拒答质量等 AA 完全不测的维度 |
| MathArena | ETH SRI Lab 出品，用刚结束的现场竞赛题（AIME / IMO / HMMT）评测并由人类专家判卷，零题目污染；AA 指数中没有纯数学成分 |
| FrontierMath | Epoch AI 出品，研究级最难数学基准（含数学家未解的开放问题），用于区分模型能力天花板 |
| AIMO Prize | 悬赏制数学竞赛（$5M 大奖对应 IMO 金牌水平），以真金白银的竞赛规则验证竞赛数学能力 |
| LiveMathBench | OpenCompass 系，采用中国竞赛题（CMO 等）并持续换新，抗污染且对国产模型覆盖更全 |
AA 分数测的是裸模型能力（raw model capability）：所有模型在 AA 自家的标准化 harness 下评测——智能体类评测用其开源 Stirrup harness，Terminal-Bench 用 Terminus 2 + E2B 沙箱，τ³-Banking 用上游 τ-Bench 原版框架； 提示策略、温度（非推理 0 / 推理 0.6）、零样本设置全部统一，不使用任何厂商自家的智能体产品（如 OpenAI 的 Codex CLI、Anthropic 的 Claude Code、Kimi-CLI 等）。 因此 AA 分数反映的是"发动机"而非"整车"：各厂商官方 harness 的自报成绩（如 SWE-bench Verified 上"模型 + 自家 CLI"的组合）包含大量 harness 层工程优化，与本页 AA 口径不可直接对比； 同时该口径也会低估"模型深度适配自家 harness"带来的红利。详见 AA 官方方法论。
AA 的历史、2025 年秋冬走红缘由、GPT-6 首测同分风波、编者评其优缺点——编者个人观察（非 AA 官方数据），已移至独立页面。