决策模型杀到GPT-6身后！只差3分，速度快40倍、成本仅1/15 | 人人都是服务经理

要点

AI 模型评测正在从“谁更聪明”转向“谁能以更低成本做出可靠决策”。Artificial Analysis 最新 Dec
通用模型只领先 3 到 4 分，却付出了更高成本和更长耗时：GPT-6 Luna（Max）每百万项任务约 1530 美元
对机构开发者来说，榜单真正传递的信号不是“通用模型没用了”，而是专业决策模型开始具备独立的成本价值：在文档审核、事实抽取

关键词布局网站安全别忽视，被挂马一次可能几个月都恢复不过来。✈️@zhiyudata

网络推广怎么做

AI 模型评测正在从“谁更聪明”转向“谁能以更低成本做出可靠决策”。Artificial Analysis 最新 Decision Index v2 中，专业决策模型 Drex Max v1.1、GLiDE v1.2 得分 73，Mammoth 27B 得分 72；通用模型 Claude Haiku 5.5（Max）为 77，GPT-6 Luna（Max）为 76。

通用模型只领先 3 到 4 分，却付出了更高成本和更长耗时：GPT-6 Luna（Max）每百万项任务约 1530 美元，是 Drex Max v1.1 的 15 倍，单项任务耗时约 40 倍；Claude Haiku 5.5（Max）每百万项任务约 6240 美元，单项耗时约为 Drex 的 119 倍。

对机构开发者来说，榜单真正传递的信号不是“通用模型没用了”，而是专业决策模型开始具备独立的成本价值：在文档审核、事实抽取、合规判断和工具调用等固定任务中，轻量模型可能比旗舰模型更适合规模化部署。

新版 Decision Index 不只统计答对多少题，还把模型的置信度纳入决策得分。每道题得分为：

Decision Score = 50 × (1 + c – (p – c)^2)

其中，p 是模型给出所选答案的概率，c 表示答案是否正确，答对为 1，答错为 0。汇总后等价于：

Decision Score = 50 × (1 + Accuracy – Brier Score)

Brier Score 用于衡量置信度校准。如果模型答错却非常自信，会受到更大惩罚；如果不确定时主动转人工或升级到更强模型，实际体系可能更安全。

Decision Index v2 整合了 AA-Paperclip、EvalSafe-O NET-AA、AA-Omniscience-Decision、HLE-MultiChoice、AA-Symmetry 和 When2Call，覆盖文档决策、事实抽取、知识掌握、推理、答案一致性和工具调用。

AA-Paperclip 包含 1500 份简历、收据、发票及钻研论文，每份文档有 5 道决策题和 10 道事实提取题，必须全部答对才算通过。新版还增强了私有数据集的占比，并移除已经接近饱和的测试工程。

专业决策模型中，Drex Max v1.1 和 GLiDE v1.2 都拿到 73 分，Mammoth 27B 为 72 分。三款模型只差 1 分，说明专业模型在固定决策任务上的能力已经接近。

但综合得分接近，不代表每个维度相同。Drex Max v1.1 的单项答案正确率达到 97%，但在 Paperclip 中只有 71% 的文档完成全部 5 道决策题，88% 的文档完成全部事实抽取。模型可能“多数题答对”，却在整份文档级任务上失败。

AA-Symmetry 则测试模型面对不同措辞时能否保持答案一致。Mammoth 27B 得分 96，Elephant 9B 得分 93；部分模型的高分与较高弃答率有关，因为它们面对不确定问题时更愿意承认不知道。

这对机构体系很要紧：可靠决策模型不只要准确，还要知道什么时候应该停止、转人工或升级。