Intelligence Indexとは？

Intelligence Index は、独立分析サイト Artificial Analysis（AA）が公開する AI モデルの「総合知能スコア」です。 単独のテストの点数ではなく、複数の評価を重み付けして平均した合成スコアです。 2026年10月9日時点の最新版は v4.3.2（2026年9月19日更新）で、4分野・合計10の評価で構成されています。 配分と内訳は次のとおりです。 エージェント（30%）：AA-Briefcase v1.1（15%）、GDPval-AA v2.1（10%）、AutomationBench-AA（5%） 一般知識（30%）：AA-Omniscience（15%＝正答率が10%、間違いを作らない率が5%）、GDP.pdf（10%）、AA-LCR v1.1（5%） コーディング（20%）：Terminal-Bench v4.0（10%）、SciCode（10%） 科学的推論（20%）：HLE（Humanity's Last Exam）（10%）、CritPt（10%） 重みがいちばん大きいのはエージェントと一般知識で、それぞれ30%です。 「道具を使って自分で手順を踏む仕事」と「知っていることの正確さ」が、総合点に強く効く設計になっています。 9月19日の v4.3.2 は、9月8日の v4.3 と評価の顔ぶれも配分も同じです。変わったのは GDPval-AA（v2.1）と AA-Briefcase（v1.1）の採点のしかた（2つのモデルの成果物を並べて比べた結果を点数に直す計算方法）で、これに合わせて全モデルが採点し直されました（あいだの v4.3.1 は審査役のモデルを入れ替えただけで、点数は変わっていません）。 v4.3 のひとつ前の v4.2 は分野の配分（30%・30%・20%・20%）は同じでしたが、評価の中身が3つ違います。 v4.3 では 𝜏³-Banking が外れて AutomationBench-AA（SaaS の業務自動化を657タスクで測るもの）が入り、 コーディングの Terminal-Bench が v2.1 から v4.0（66タスク）に上がりました。 さらにひとつ前の v4.1.1 は4分野9評価（エージェント34%・コーディング24%・科学的推論24%・一般知識18%）で、 v4.2 のときに GPQA Diamond が外れ、AA-Briefcase と GDP.pdf が加わっています。 点数の読み方には注意が必要です。0〜100点の何点、という読み方はできません。 0〜100 に正規化していると明記した公式資料は見つかっておらず、 2026年10月9日時点の最上位でも 58 にとどまります（9月22日公開の Claude Opus 5.5・max 設定。2位は Claude Sonnet 5.5 の 56、Claude Fable 5.1 と GPT-6 Astra は 53）。 「100点満点の何点」ではなく「数字が大きいほど上位」という相対的な順位付けとして読んでください。 「このモデルは賢いの？」を一目で比較できるため、業界でデファクト指標の一つになっています。 ただし合成スコアなので、コーディング・推論・日本語性能といった個別の強みは別途の確認が必要です。 用途が偏っている場合は、総合点で決めずに該当分野の内訳まで見るのが正しい使い方です。 なお構成ベンチは版が上がるたびに入れ替わります（v4.3.2 でも MMLU・HumanEval・GPQA Diamond は使われていません）。 版が上がると全モデルの点数がまとめて動きます。v4.1.1 から v4.2 への切り替えでは当時最上位の Claude Fable 5.1 が 66 から 57 へ、 v4.2 から v4.3 では同じモデルが 57 から 53 へ下がりました（v4.3.2 でも 53 のまま）。モデルが劣化したのではなく、ものさしの目盛りが変わっただけです。 しかも下がり方はモデルごとに違うので、版が変わると順番そのものが入れ替わることがあります （v4.3 では GLM-5.3 が Kimi K3 と Grok 4.6 を追い抜きました。9月8日の v4.3 と9月23日に確認した v4.3.2 を比べると、DeepSeek V4.1-Flash が 40 から 39、GPT-5.6 Luna が 38 から 37 に動いています）。 他サイトで見た構成が古い可能性があるので、比較に使うときは版の日付を確認してください。