Artificial Analysis 发布 Endpoint Accuracy Index v1.1

Artificial Analysis 推出 Endpoint Accuracy Index v1.1，覆盖 100 多个 serverless 推理端点，约四分之一的端点得分低于官方权重的自部署基准。评分基于三个等权测试：BFCL-500（工具调用）、HLE-250（科学推理）和 AA-LCR-25（长上下文召回），其中 AA-LCR 升级到 v1.1 并将重复次数从 10 提到 25，置信区间从 ±4.7 收窄到 ±2.6。GLM-5.3 Flash 的 22 个端点中 16 个与基准持平，但有端点因 32K 输出 token 截断导致 HLE-250 得分跌至 22%-29%，而参考值为 55%。Muse Spark Open 的 5 个端点中 3 个达标，另两个在 BFCL-500 上把工具定义的文本参数错误返回为数字，得分 50%-51%。