本文来自微信公众号： 穷奇商业 ，作者：穷奇观察
9月22日，小米开源MiMo-V2.6-Pro，46分，登顶Artificial Analysis开源榜。一个月后，Kimi K3.1 Pro发布，55分——等权重一放，将成为新的开源第一。
一个月，两个"开源第一"。
这不是中国模型突然行了，也不是突然不行了。是尺子又动了。
AA这张榜，问题不在中国模型分低，在尺子握在别人手里，刻度还随时在动。
同款Kimi K3，今年7月发布时的榜单上是57分，全球第三；等权重一放，又是开源之首。今天的AA模型页上只剩44分。13分差在哪里？AA只解释了版本变了，没给出这13分怎么摊到每个科目上。同款DeepSeek V4 Pro，v4.1时代是44分，现在是36分。按今天的尺子，K3.1 Pro比K3高11分；两把尺子本不可直接相减，可即便只看方向：K3三个月前的57分，比K3.1 Pro今天的55分还高。新模型赢了旧模型，输给了旧尺子。
分数不是模型跑出来的，是版本算出来的。读这张榜，先认版本号再看分——跨版本、跨抓取日的数字，一律不许相减。
如果OpenRouter是流水榜，AA就是考场榜。这家总部在旧金山的小公司，给各家大模型出卷子、算综合分、排座次，被全球科技媒体和开发者广泛引用。
先看变动前的考卷。6月15日上线的v4.1版，九项评测加权：GDPval-AA v2占20%，Terminal-Bench 2.1占16%，τ³-Banking占14%，HLE占12%，AA-Omniscience占12%（准确率8%加非幻觉率4%），SciCode占8%，GPQA Diamond占6%，CritPt占6%，AA-LCR占6%。
权重第一名的科目叫GDPval，出题人是OpenAI。2025年9月25日，OpenAI发布这套评测：44个职业、1320个真实工作任务，考生要交的是美国白领的交付物——法律简报、工程图纸、护理计划、幻灯片、表格。数据底座是美国劳工统计局的职业库和劳工部主办的职业数据库。这门课考的不是智商，是美国职场的干活能力。
这20%，在美国是真金白银的刚需。一份法律简报的背后，是美国行情里时薪几百美元的专业人士、平均七小时的活，长的任务按周算，AI出草稿直接省大钱；美国公司的工作流天生是文档驱动，交付物就是工作本身，AI写的文件能直接进流程、进账单。这门课的对错，美国企业用美元投票。
同样的知识工作，在中国长得完全是另一副样子。干活的主体是微信群里一句话、钉钉里一个审批流、月底一张Excel。国内白领的月薪，大概几千到一万五人民币；在这个人力成本下，"AI替代白领"的账算不平。中国企业老板的真痛点是盯店、回差评、算清账。
这里得把话说准。GDPval的44个职业里，有零售一线主管，有客服代表，有会计和审计。盯店、回差评、算清账，岗位都在。缺的不是岗位，是题。1320道题，没有一道是微信群里一句话、钉钉里一个审批流、月底一张Excel；题面全是美国职场，交付物是法律简报、工程图纸、幻灯片。中国老板的活儿，在这张卷子上找不到对应的考法。
按v4.1的权重算总账：GDPval、Terminal-Bench、τ³-Banking三门，合计正好50%；另外六门合计50%。九门课里，没有一门是按中国场景出的题。再看后面的科目调整，看权重流向就知道立场往哪偏——新增的两门评测里，GDP.pdf把"通用知识工作"类权重推到30%，代码类从24%被稀释到20%，科学推理类随GPQA Diamond退役缩编到20%。中国模型最锋利的，恰恰是数学和代码这两门老本行。权重往美国职场挪，就是往对手的主场挪。
考纲偏科，不等于中国考生实力差，分数低不低是另一回事。真正的病，是国内把这张卷子当通用成绩单供着，以及厂商真金白银砸研发预算，去对齐一门在那边真实存在、在这边对不上号的活儿。
尺子自己开始动了。9月初，v4.2上线：新加AA-Briefcase和GDP.pdf两门评测，GDPval的权重从20%砍到10%，GPQA Diamond因饱和退役，保密题库占比从20%提到40%。三天后，v4.3又把τ³-Banking整门换掉，Terminal-Bench升到4.0。9月下旬，v4.3.2对GDPval的Elo基准做了重标定——怎么改的，官方只在更新日志里留了一行"改进Elo稳定性"，旧分和新分之间没有官方对照表。
从6月15日到9月19日，三个多月，v4.1之后连小版本一起算，至少五次更新。这话即便诚实，代价也埋得深：原始Elo的历史序列断了；跨版本只能看指数排名，不能直接比原始分。"人类专家"这个参照物，从GDPval-AA的刻度上消失了，往后是模型对模型。
v4.3.2之后，旧截图和新榜单不能直接对照。当天转引这张榜的报道，有几篇写清了版本号？
裁判席上坐的是谁？OpenAI的GDPval，主评分是专家盲评，此外还训练了一套自动评分器作为辅助——论文自己报告，评分器和人类评委的一致率66%，人类评委之间是71%，差5个点，够用，但不是人。AA的GDPval-AA是另一套：它不训练评分器，它请裁判——一个由前沿模型轮换组成的评审团。考生的同行，坐在裁判席上。
最微妙的是OpenAI自己下场那次的姿态。GDPval发布，它把自家GPT-5和竞品一起测：Claude Opus 4.1第一，论文图表口径47.6%的任务达到或超过专家水平；自家GPT-5第二，39.0%。对手不用站台，分数已经站了。
自己家办的考试，让别人拿状元。这姿态看起来无私，其实是这个牌桌上最贵的广告。连对手都认的考卷，才是真正的考卷。
公允地说，这张榜该存在。独立第三方评测是行业的公共品——方法论公开、分数人人可查，比厂商自报的跑分可靠得不是一个量级，中国读者需要有人替他们盯住这把尺子。问题从来不是它该不该存在，是它没有外部监管，约束只靠独立性政策和商业声誉。
AA靠什么活着？卖订阅分析服务，Pro版定价417美元一个月一个座位。客户主要是需要做模型选型的企业和机构。它不公开客户名单，考生和客户之间有没有重叠，外人看不见。投资名单里没有OpenAI、Anthropic、Google这些前沿模型公司——它官网写明了独立性政策：厂商不能花钱买结果、买方法论改动、买上榜位置。这一条，它守住了。
订阅收入给了它独立性。可这个独立性是商业结构给的，不是制度给的：考纲由它一家定，权重由它一家调，版本由它一家发。v4.3.2这种"一行日志换一把尺子"的操作，防得住考生刷题，防不了出题人调刻度。
独立的生意，不独立的尺子。
信源与核验说明（2026年10月24日）
MiMo-V2.6-Pro 46分、2026年9月22日发布、登顶开源榜：VentureBeat、XenoSpectrum、AlphaSignal交叉。
Kimi K3.1 Pro 55分、2026年10月23日发布、总榜第四、权重11月4日前开放后将领跑开源榜：Artificial Analysis官方changelog（10月23日条目）、The Decoder。
Kimi K3 2026年7月17日评测57分、全球第三（AA官方文章标题即"K3 achieves#3"）；当前v4.3.2页面为44分，差13分：AA 2026-07-17官方文章＋当前模型页实测。
DeepSeek V4 Pro 0813从v4.1的44分变为当前36分：TheElec。
v4.1九项权重（GDPval-AA v2 20%、Terminal-Bench 2.1 16%、τ³-Banking 14%、HLE 12%、AA-Omniscience 12%、SciCode 8%、GPQA Diamond 6%、CritPt 6%、AA-LCR 6%）：AA官方methodology，逐项核对一致。
版本时间线与变更（v4.1 6月15日上线；v4.1.1 8月6日；v4.2 9月初上线加AA-Briefcase与GDP.pdf、GDPval权重20%→10%、GPQA退役、保密题库20%→40%；v4.3上线换τ³-Banking为AutomationBench-AA、Terminal-Bench升4.0；v4.3.2 9月下旬对GDPval Elo基准重标定，官方日志仅一行"改进Elo稳定性"，新旧分无官方对照表）：AA官方changelog、nexforce与AI Weekly转载、codersera rebase综述。
分类权重流向（新增评测后"通用知识工作"类升至30%、代码类24%→20%、科学推理类缩至20%）：AA官网当前分类权重表。
GDPval（2025年9月25日发布，44职业、1320任务，交付物含法律简报、工程图纸、护理计划等；自动评分器与人类评委一致率66%、人类评委之间71%；首测Claude Opus 4.1 47.6%、GPT-5 39.0%，论文图表口径）：OpenAI官方（openai.com/index/gdpval/）与论文arXiv:2510.04374。
AA定价（Pro版417美元/月/座位）与独立性政策原文（"厂商不能花钱买结果、买方法论改动、买上榜位置"）：artificialanalysis.ai/pricing页FAQ，2026年10月24日直抓。
AA公司信息（2023年成立、总部旧金山）：PitchBook档案。
