Artificial Analysis 发布 Apodex 1.1 首个第三方评测：Intelligence Index 44，GDPval 领先 DeepSeek V4 Pro

独立评测机构 Artificial Analysis 于 2026 年 8 月 31 日发布 Apodex 1.1 的。其官方 X 账号（@ArtificialAnlys，简介为「Independent analysis of AI」）公布的数据显示：Apodex 1.1 在 Artificial Analysis Intelligence Index 上拿到 44 分，与 Kimi K2.6（45 分）、MiniMax-M3（45 分）同处一个档位；在真实世界 agent 工作基准 GDPval-AA v2 上，其 Elo 为 1348，高于 DeepSeek V4 Pro 的 1333。

推文发布于 UTC 时间 8 月 31 日 02:52（北京时间 10:52），并明确说明这是 Apodex 旗下模型首次登上 Artificial Analysis 平台。同一份评测还给出短板数据：AA-Omniscience 指数 -21.9 分，幻觉率 78.4%。Apodex 1.1 支持 256K 上下文，每百万 token 定价输入 $0.30、输出 $3.00，目前仅通过 Apodex 自家 API（first party API）提供。

44 分，与 Kimi K2.6、MiniMax-M3 同档

Intelligence Index 是 Artificial Analysis 的合成智能指数，现行 v4.1.1 版本由九项评测合成，包括 GDPval-AA v2、𝜏³-Banking、Terminal-Bench v2.1、SciCode、Humanity's Last Exam、GPQA Diamond、CritPt、AA-Omniscience 与 AA-LCR。在 AA 官网的上，Apodex 1.1 以 44 分排在 177 款同类模型的第 11 位，远高于同类中位数 18。

推文把 Apodex 1.1 与 Kimi K2.6（45）、MiniMax-M3（45）、Inkling（42）归入同一档位，并概括其画像：在 agent 任务和知识工作评测上表现突出，但在知识可靠性和前沿学术推理上存在明显取舍。

GDPval Elo 1348：agent 任务领先 DeepSeek V4 Pro

AA 推文重点展开的是 agent 任务数据。在 GDPval-AA v2（AA 自建的「真实世界 agent 工作」基准）上，Apodex 1.1 的 Elo 为 1348，排在 DeepSeek V4 Pro（1333）、Qwen3.7 Max（1308）与 Kimi K2.6（1202）之前。

最典型的错位来自 Kimi K2.6：整体指数 45 分高于 Apodex 1.1 的 44，GDPval-AA v2 上却以 1202 对 1348 落后一百多分。

在 TerminalBench v2.1（agent 编程与终端使用基准）上，Apodex 1.1 拿到 70%，高于 Kimi K2.6 的 66%，低于 Qwen3.7 Max 的 75%。AA 在推文开头就用「在其智能档位中，agent 任务表现突出」概括这款模型。

知识可靠性偏弱：幻觉率 78.4%、指数 -21.9

AA-Omniscience 衡量模型的知识可靠性与幻觉倾向：答对加分、幻觉扣分、拒绝作答不扣分，得分范围 -100 到 100，0 分意味着答对与答错一样多。Apodex 1.1 得 -21.9 分，即错误答案多于正确答案。

在单题层面，其准确率只有 32%，幻觉率高达 78.4%，而且 87% 的问题它都选择作答而不是拒绝回答。AA 在推文中把「知识可靠性与前沿学术推理上的取舍」列为该模型的主要短板，与 agent 任务上的强势形成对照。

256K 上下文、$0.30/$3.00 定价，每任务输出约 1.7 万 token

模型规格：上下文窗口 256K token；定价每百万 token 输入 $0.30、输出 $3.00，缓存命中价 $0.03，官网标注缓存折扣 90%。模型支持文本与图像输入、文本输出，属于推理模型；官网未披露参数量，仅注明由 Apodex 开发、通过其自家 API 提供。

AA 官网显示，跑完整套 Intelligence Index 评测，Apodex 1.1 共生成 1.8 亿输出 token，在 177 款模型中排第 61 位，官网描述为「非常啰嗦」（同类中位数 6,700 万）。

推文给出另一组口径：平均每个任务约 1.7 万输出 token，对照是 DeepSeek V4 Pro 的 16,842、Qwen3.7 Max 的 9,391 与 MiniMax-M3 的 8,133。按这组数字，Apodex 1.1 比三款对照都更费 token，与推文「比 DeepSeek V4 Pro 更省 token」的说法直接矛盾。

成本数字同样存在出入。推文称每任务成本约 $0.05，比 Qwen3.7 Max（约 $0.07）与 Kimi K2.6（约 $0.06）都便宜，「落在最具吸引力的象限」。官网模型页目前把每任务成本列为 $0.23（成本排名第 53），并记录整套指数评测共花费 $618.41。

发论文一周后，Apodex 迎来首份独立成绩单

Apodex 1.1 是 Apodex 旗下首个登上 Artificial Analysis 平台的模型。AA 推文提到，该公司此前已推出 Apodex 1.0 与 Apodex 1.0 mini；Apodex 1.1 于 8 月 30 日发布，属专有模型，参数量未披露。

一周前，其技术报告《Apodex 1.1: Scaling Agentic Intelligence for Complex Work》上线 arXiv（编号 2608.23283），8 月 24 日进入，页面标注为当日第一（#1 Paper of the day）、获 203 次点赞。

报告的核心主张是沿着「环境扩展」（Environment Scaling）与「智能体协调扩展」（Agentic Coordination Scaling）两条路径，训练模型在长周期任务中做到状态维护、故障恢复与可验证交付。论文页同时公布了 35B 参数的开放权重版本 Apodex 1.1 mini，以及开源研究工作台 FrontierAgent。

实验室回应：「为长周期任务、真实文件、循环验证而生」

推文发布约三小时后，Apodex 实验室的一位负责人公开回应了这份评测。Apodex_AI 的推理模型与训练首席科学家 Simon Shaolei Du（其 X 主页资料同时标注为华盛顿大学副教授），写道：

「Apodex 1.1 在 @ArtificialAnlys 上完成首秀。它拿到 44 分，与 Kimi K2.6、MiniMax-M3 同档；GDPval-AA v2 上 Elo 1348，领先 DeepSeek V4 Pro（1333）。Apodex 1.1 就是为此而生：长周期任务、真实文件、验证在环（long horizons, real files, verification in the loop）。」

这条转发与 AA 的数据放在一起，构成首评里最直观的一组对照：实验室把「验证在环」写进自我定位，而 AA 测出的知识可靠性是 -21.9 分、幻觉率 78.4%，且 87% 的问题它选择作答而不是拒绝回答。