AI評価指標v4.2公開、Anthropicが首位
原題: Artificial Analysis Intelligence Index v4.2
なぜ重要か
非公開テストセットの拡充によりランキング操作が困難になり、企業・研究者がモデル選定に用いる評価指標の信頼性が一段と高まる点で業界全体に影響する。
Artificial Analysisは2026年9月4日、AIモデル評価指標「Intelligence Index v4.2」を公開した。エージェント型知識作業評価「AA-Briefcase」と長文脈文書推論「GDP.pdf」を新規追加し、非公開テストセットの比重を前バージョンの2倍となる40%に引き上げた。AnthropicのClaude Fable 5.1が総合首位、次いでOpenAIのGPT-6 Astraが4ポイント差で続く結果となった。
Artificial Analysisは、AIモデルの総合評価指標「Intelligence Index」のバージョン4.2を2026年9月4日に公開した。同社は2026年1月にv4を発表してから約8カ月間、主要モデルのリリースを通じて指標の安定性を維持してきたが、フロンティアの急速な進展を受け、v5の正式リリースに先駆けた暫定アップデートとして今回の公開に踏み切った。
主な変更点は4点ある。第一に、独自開発の「AA-Briefcase」の追加だ。業界専門家が構築した複雑なプロジェクトを題材に、モデルが数週間分の知識作業をこなせるかを評価する。各プロジェクトは多数の連携タスクと数千の入力ソースファイルで構成され、ルーブリック採点とペアワイズ採点を組み合わせて、タスク達成度・分析品質・表現品質を総合的に評価する。テストセットは非公開。
第二に、Surge AIが作成した「GDP.pdf」の追加だ。100本のPDF・10分野を対象に、単一ターンでの専門文書推論を評価する。モデルは合計4,592ページにわたるテキスト・表・グラフ・脚注などから証拠を統合する必要があり、専門家が作成した1,275件のアトミック基準で採点される。
第三に、非公開テストセットの比重を全体の40%に引き上げた（v4.1の2倍）。AA-Briefcase、AA-Omniscience、CritPtの解答セットが対象となり、研究機関によるランキング操作の余地を縮小する。v5ではこの比率をさらに高める予定だ。
第四に、採点インフラの改善として、AA-LCR v1.1でシステムプロンプトの追加と回答キーの誤り修正を実施し、スコアリング精度を向上させた。
主要結果として、AnthropicのClaude Fable 5.1が指標首位に立ち、OpenAIのGPT-6 AstraがGPT-5.6 Solから4ポイント向上して2位につけた。3位以降はMeta、SpaceXAI、Moonshot/Kimi、Z.AI、Googleの順。コストパフォーマンスの上位はAnthropic・OpenAI・Meta・Z.AIの4社が占め、出力トークン効率ではGPT-6 Astraがフロンティア付近のほぼ全モデルを上回った。同社はv5に向けた追加の段階的リリースも予告している。