Artificial Analysis Index v4.2 erklärt: Private Tests auf 40%

Zuerst verschob sich das Maß. v4.2 verdoppelt das Gewicht geheimer Tests und tauscht schwerer zu spielende Wissensarbeit ein.

2026-09-08

Am 4. September 2026 hat Artificial Analysis nicht nur Namen neu sortiert. Es hat das Maß gewechselt. Intelligence Index v4.2 verdoppelt das Gewicht privater Tests.

Das suchbare Ereignis ist der Intelligence Index v4.2: zurückgehaltene Sets steigen auf 40 Prozent des Komposits, eine gesättigte öffentliche Wissenschaftsprüfung geht, zwei schwerer zu spielende Wissensarbeiten kommen. OfficeChai und AI Weekly haben am 5. September dasselbe offizielle Changelog wiedergegeben.

40%privates / Hold-out-Gewicht

+2Briefcase und GDP.pdf

0GPQA Diamond bleibt im Index

Was das Changelog wirklich verschoben hat

Dazu

AA-Briefcase bewertet mehrwöchige agentische Wissensarbeit auf einem privaten Set. GDP.pdf von Surge AI nutzt 100 PDFs, 4592 Seiten und 1275 atomare Kriterien. All-pass heißt jedes Kriterium.

Weg

GPQA Diamond gilt als gesättigt. Die Firma sagt, es spalte die Frontier nicht mehr. Als Folie eins in einem Vendor-Deck erklärt es keine Lücke im Herbst 2026.

Modell	Labor	v4.2-Index
Claude Fable 5.1	Anthropic	57
GPT-6 Astra	OpenAI	55
Claude Opus 5	Anthropic	54
Claude Fable 5 / Muse Spark 1.3	Anthropic / Meta	53

Was die neuen Aufgaben belohnen

AA-Briefcase: Von der Branche gebaute Mehrwochenprojekte mit tausenden Quelldateien. Rubriken prüfen, ob die Arbeit sitzt; Paarvergleiche decken Analyse und Präsentation. Die Firma nennt Fable 5.1 und Opus 5 vorn, dann Astra und Muse Spark 1.3. Astra liegt etwa 85 Elo über GPT-5.6 Sol.
GDP.pdf: Ein-Zug-Dokumentdenken. Evidenz liegt in Fließtext, Tabellen, Charts, Fußnoten und Ausschlüssen. Astra 33,2 %, Sol 28,2 %, Fable 5.1 26,2 %. Der Gesamterste ist nicht der Dokument-Erste.

Drei Wege, die neue Zahl zu lesen

01
Zuerst das Gewicht
Vierzig Prozent liegen auf Hold-out, inklusive Briefcase, Omniscience und CritPt-Lösungen. Ziel: weniger Gaming öffentlicher Sets. v5 hebt den Anteil weiter.
02
Keine Absolutwerte über Versionen
Eine v4.1-Zahl und eine v4.2-Zahl sind nicht dieselbe Prüfung. OfficeChai notierte, Astra habe sich auf dem alten Maß kaum bewegt; das neue kam am nächsten Tag.
03
Scheiben vom Titel trennen
Anthropic und OpenAI führen das Komposit. An der Kostenfront sitzen auch Meta und Z.AI. Dokumentarbeit begünstigt OpenAI. Ein Rang-Screenshot lässt die Scheiben fallen.

Zwei Wahlen nach einem neuen Zuschnitt der Bezirke haben noch Zahlen. Dieselbe Bedeutung haben sie nicht.

Das Maß bewegt sich weiter

Am 7. September folgte eine v4.3-Notiz: Terminal-Bench angehoben, AutomationBench-AA mit privatem Set. Das ist ein Weg zu v5, keine eingefrorene Tafel.

Muss eine Gruppe nächste Woche eine API wählen, ist das Changelog auf einer Seite besser als ein weitergeleitetes Rangbild. Mikrofon erst, wenn Sprechen hilft. Ein kurzer oakmeet-Raum reicht; für eine Eval-Runde braucht niemand einen Client. Grenzen stehen unter acht Personen, etwa eine Stunde.

Lässt sich ein v4.2-Wert mit v4.1 vergleichen?

Nein. Gewichte, Aufgaben und ein Teil der Benotung sind neu. Man kann sagen, wer auf dem neuen Maß höher sitzt. Nicht, ein Labor sei N Punkte klüger als im Vormonat.

Ist AA-Briefcase ein öffentlicher Download?

Nein. Die Firma beschreibt es als privates Hold-out, gebaut gegen Benchmaxxing. Prüfbar ist die Methodennotiz, nicht das Aufgaben-PDF.

Warum fällt GPQA Diamond?

Artificial Analysis nennt es gesättigt: Frontier-Modelle drängen an die Decke, Abstände bedeuten keine Fähigkeitsabstände mehr. Der Index tauschte die Prüfung, statt eine vertraute, verbrauchte Zahl weiter zu zitieren.

Ist v4.3 ein anderer Index?

Nein. Die Notiz vom 7. September ist ein Inkrement auf derselben Spur: Terminal-Bench steigt, AutomationBench-AA kommt. Fußnote beim Lesen von v4.2: das Maß ist nicht festgenagelt.