Artificial Analysis เปลี่ยนสูตร Intelligence Index เป็น v4.2 — วันก่อนหน้า GPT-6 Astra เสมอ Sol ที่ 61 คะแนน วันถัดมากลายเป็นนำ 4 คะแนน โดยที่ไม่มีโมเดลไหนเปลี่ยนเลย

เมื่อ 4 กันยายน 2026 Artificial Analysis ประกาศ Intelligence Index v4.2 โดยอธิบายว่าเป็นการอัปเดตระหว่างทางที่ดึงบางส่วนของ v5 มาใช้ก่อน เพราะ “แนวหน้าขยับเร็วมากในไม่กี่สัปดาห์ที่ผ่านมา” — v4 เปิดตัวเมื่อเดือนมกราคม คือผ่านมาแล้วแปดเดือน

ข่าวนี้ดูเหมือนบันทึกการอัปเดตเครื่องมือวัดธรรมดา แต่ถ้าอ่านคู่กับบทความของ Artificial Analysis เองที่เผยแพร่ก่อนหน้านั้นหนึ่งวัน จะเห็นสิ่งที่นักพัฒนาทุกคนที่เคยเลือกโมเดลจากสกรีนช็อตลีดเดอร์บอร์ดควรเห็น

ตัวเลขเดียวกัน โมเดลเดียวกัน ห่างกันหนึ่งวัน

3 กันยายน — บทความ Benchmarking GPT-6 Astra เขียนไว้ตรง ๆ ว่า

“GPT-6 Astra ทำคะแนนเท่ากับ GPT-5.6 Sol ใน Index ที่ 61 ซึ่งต่ำกว่า Claude Fable 5.1 (max with fallback) อยู่ 5 คะแนน และโมเดลนี้ยังตามหลัง Muse Spark 1.3 (max) ของ Meta ที่เพิ่งปล่อยด้วย”

4 กันยายน — ประกาศ Index v4.2 เขียนว่า

“Claude Fable 5.1 ของ Anthropic นำ Index ตามด้วย GPT-6 Astra ของ OpenAI ซึ่งได้เพิ่มขึ้น 4 คะแนนเหนือ GPT-5.6 Sol ส่วน Meta เป็นแล็บอันดับสาม ตามด้วย SpaceXAI, Moonshot/Kimi, Z.AI และ Google”

ระหว่างสองย่อหน้านี้ ไม่มีโมเดลไหนถูกเทรนใหม่ ไม่มีใครปล่อยเช็คพอยต์ใหม่ ไม่มีการเปลี่ยนราคา สิ่งเดียวที่เปลี่ยนคือตะกร้าเบนช์มาร์กที่ใช้คำนวณคะแนน จากเสมอกลายเป็นนำ 4 คะแนน และจากตามหลัง Muse Spark 1.3 กลายเป็นอยู่เหนือขึ้นมา

v4.2 เปลี่ยนอะไรบ้าง

การเปลี่ยนแปลง	รายละเอียด
เพิ่ม AA-Briefcase	งานความรู้เชิงเอเจนต์ที่ผู้เชี่ยวชาญในอุตสาหกรรมสร้าง โปรเจกต์ระดับหลายสัปดาห์ งานย่อยเชื่อมโยงกัน ไฟล์ต้นทางหลายพันไฟล์ ให้คะแนนแบบ rubric + pairwise มีชุดทดสอบลับ
เพิ่ม GDP.pdf	สร้างโดย Surge AI — อ่านเอกสารวิชาชีพ 100 ไฟล์ PDF, 4,592 หน้า, 10 โดเมน ตัดสินด้วย เกณฑ์ย่อย 1,275 ข้อที่ผู้เชี่ยวชาญเขียน และคะแนนพาดหัวคือ All-pass Rate ที่ให้คะแนนต่อเมื่อผ่านทุกเกณฑ์
ถอด GPQA Diamond	ระบุเหตุผลเองว่า “อิ่มตัวไปแล้ว”
น้ำหนักชุดทดสอบลับ	ขึ้นเป็น 40% ของ Index หรือ สองเท่าของ v4.1 ครอบคลุม AA-Briefcase, AA-Omniscience และเฉลยของ CritPt โดยระบุว่าจะเพิ่มอีกใน v5
ปรับระบบให้คะแนน	AA-LCR v1.1 เพิ่ม system prompt สำหรับผู้ตรวจและแก้ข้อผิดพลาดในเฉลย, GDPval-AA v2 และ AA-Briefcase ปรับ sampling และ re-anchor สเกล Elo, SciCode แก้แซนด์บ็อกซ์ให้โค้ดที่ถูกแต่ช้าไม่ถูกนับว่าตก

ต้องพูดให้เป็นธรรม: นี่ไม่ใช่การจัดฉาก Artificial Analysis เปิดเผยรายการเปลี่ยนแปลงทั้งหมดต่อสาธารณะ, GPQA Diamond อิ่มตัวจริงและการถอดออกเป็นการตัดสินใจเชิงวิธีวิทยาที่ถูกต้อง, และการเพิ่มชุดทดสอบลับเป็น 40% คือมาตรการต้านการปั่นคะแนนที่ตรงเป้าที่สุดเท่าที่ผู้จัดอันดับอิสระจะทำได้

แต่ข้อเท็จจริงเชิงกลไกก็ยังอยู่: AA-Briefcase คือเบนช์มาร์กที่ Astra ได้เพิ่มราว 80 Elo เหนือรุ่นก่อน (ตัวเลขจากบทความ 3 ก.ย. ของ AA เอง และประกาศ v4.2 ระบุ ~85 Elo) แล้วมันถูกใส่เข้าไปในสูตร Index ขณะที่ GDPval-AA v2 ซึ่ง Astra ตกลงราว 80 Elo ยังอยู่ในสูตรเหมือนเดิม และ GPQA Diamond ที่ถูกถอดออกก็เป็นข้อสอบวิทยาศาสตร์ที่โมเดลรุ่นเก่าเก็บคะแนนได้ไม่ต่างกันมากแล้ว องค์ประกอบของตะกร้าเปลี่ยน อันดับก็เปลี่ยน — นี่คือคณิตศาสตร์ ไม่ใช่การกล่าวหา

ตัวเลขที่ไม่มีใครพาดหัว: ผู้นำได้ 33.2%

GDP.pdf เป็นเบนช์มาร์กใหม่ที่เข้ามาพร้อม v4.2 และผลของมันน่าสนใจกว่าการจัดอันดับมาก

โมเดล	GDP.pdf (All-pass Rate)
GPT-6 Astra	33.2%
GPT-5.6 Sol	28.2%
Claude Fable 5.1	26.2%

อ่านคอลัมน์ขวาให้ดี โมเดลที่ดีที่สุดในโลกทำงานอ่านเอกสารวิชาชีพผ่านครบทุกเกณฑ์ได้หนึ่งในสามของโจทย์ ที่เหลือสองในสามคือ “พลาดอย่างน้อยหนึ่งเกณฑ์จาก 1,275 เกณฑ์” ซึ่งสำหรับคนที่กำลังสร้างไปป์ไลน์ดูดข้อมูลจากสัญญา งบการเงิน หรือเอกสารราชการ นี่คือตัวเลขที่ตรงกับงานของคุณมากกว่าคะแนน Index รวมหลายเท่า

ในทางเดียวกัน ประกาศ v4.2 ระบุว่า Claude Fable 5.1 และ Opus 5 นำใน AA-Briefcase ตามด้วย GPT-6 Astra และ Muse Spark 1.3 — คือถ้าคุณสนใจงานเชิงเอเจนต์ระยะยาว อันดับหนึ่งไม่ใช่ตัวเดียวกับที่นำ GDP.pdf และไม่ใช่ตัวเดียวกับที่นำ Coding Agent Index (ซึ่งบทความ 3 ก.ย. ระบุว่า Fable 5.1 ใน Claude Code นำที่ 70 ส่วน Astra ใน Codex ได้ 67)

เส้นแบ่งราคาที่ยังไม่เปลี่ยน

สิ่งที่ v4.2 ไม่ได้เปลี่ยนคือเศรษฐศาสตร์ ซึ่งบทความวันที่ 3 ก.ย. วางไว้ชัดแล้วว่า Astra ราคา $10/$50 ต่อล้านโทเคน หรือ 2.5 เท่าของ Sol ที่ $4/$20 และ “แพงกว่ารุ่นก่อน 75% ต่องานหนึ่งชิ้นที่ระดับความพยายามสูงสุด” แม้จะใช้โทเคนเอาต์พุตน้อยลงราว 10% ก็ตาม ส่วนฝั่ง Coding Agent Index กลับเป็นคนละเรื่อง — ที่นั่น Astra ประหยัดโทเคนกว่า Sol ถึง 70% ใช้โทเคนราวหนึ่งในสาม และมีต้นทุนต่องานน้อยกว่าครึ่งของ Claude Fable 5 ที่คะแนนเท่ากัน

อีกตัวเลขที่ควรจำจากบทความเดียวกันคือ AA-Omniscience: อัตราการหลอนของ Astra ลดจาก 92% เหลือ 51% ที่ระดับ max โดยความแม่นยำเพิ่มขึ้น 4 คะแนนไปพร้อมกัน — ดีขึ้นจริงและดีขึ้นมาก แต่ 51% ก็ยังแปลว่าเมื่อมันตอบผิด มันยังเลือกที่จะเดามากกว่าจะบอกว่าไม่รู้ในครึ่งหนึ่งของกรณี

มุมมอง AI Curator

บทเรียนปฏิบัติมีข้อเดียวและสำคัญมาก: ห้ามเทียบคะแนน Index ข้ามเวอร์ชัน ถ้าคุณมีสไลด์ที่พล็อตคะแนน Artificial Analysis ของโมเดลย้อนหลังหนึ่งปีเป็นกราฟเส้น กราฟนั้นผิด เพราะแกน y เปลี่ยนนิยามไปแล้วหลายครั้ง และมันจะเปลี่ยนอีกเมื่อ v5 มา ดัชนีแบบนี้ วัดอันดับ ณ วันหนึ่ง ไม่ใช่อนุกรมเวลา — และเนื่องจากเบนช์มาร์กที่ “อิ่มตัว” จะถูกถอดออกเสมอ ดัชนีจึงมีอคติเชิงโครงสร้างไปทางสิ่งที่ยังยากอยู่ตอนนี้ ซึ่งแปลว่ามันจะดูเหมือนความก้าวหน้าช้ากว่าความเป็นจริงเสมอ

เรื่องนี้เป็นข่าวชิ้นที่สามใน 48 ชั่วโมงที่พูดเรื่องเดียวกันจากคนละมุม เมื่อวานเราเขียนถึง IFM ที่ประกาศเองว่าคะแนน Terminal-Bench 70.2 ของตัวเองมีการโกงปนอยู่ เหลือ 66.9 และเช้าวันนี้ก็มีรายงานของ DeepMind ที่เอเจนต์ 100 ตัวเจาะตัวตรวจของงานวิจัยจนบอร์ดถูกเคลียร์ใน 27 นาที จุดร่วมคือผู้ตัดสิน ไม่ใช่ผู้เข้าแข่งขัน และการที่ Artificial Analysis ขยับน้ำหนักชุดทดสอบลับจาก 20% เป็น 40% คือคำตอบที่ถูกต้องต่อปัญหาเดียวกันนั้น — เพราะข้อสอบที่แล็บดาวน์โหลดไปได้ คือข้อสอบที่จะเข้าไปอยู่ในชุดเทรนไม่ช้าก็เร็ว ไม่ว่าจะตั้งใจหรือไม่

สำหรับทีมในไทยและ SEA ที่ต้องเลือกโมเดลจริงภายใต้งบจริง เราแนะนำแบบเดิมที่เคยเขียนไว้ตอนพูดถึง Optima เมื่อ 16 สิงหาคม และวันนี้มีหลักฐานหนักแน่นขึ้นอีก: สร้างชุดทดสอบส่วนตัวของคุณเอง 30–50 ข้อจากงานจริงที่คุณทำ แล้ววัดเอง เพราะสิ่งที่ Artificial Analysis เพิ่งทำในเวอร์ชันนี้ — เอาข้อสอบที่อิ่มตัวออก เพิ่มชุดลับ ใช้งานที่เหมือนงานจริง — คือสิ่งเดียวกับที่ทีมของคุณควรทำในสเกลเล็ก และมันตอบคำถามที่ Index ตอบไม่ได้อยู่ดี เช่นโมเดลไหนอ่านเอกสารภาษาไทยที่สแกนมาเป็นภาพได้ดีกว่ากัน ซึ่งไม่มีเบนช์มาร์กสาธารณะตัวไหนในตะกร้านี้วัดให้เลยสักตัว

สุดท้าย ข้อสังเกตที่ควรอ่านคู่กับตารางอันดับแล็บ: Google อยู่อันดับเจ็ด ในรายชื่อที่ประกาศ v4.2 ไล่มา ทั้งที่บทความของ Artificial Analysis เองเมื่อ 2 ก.ย. ระบุว่า Gemini 3.8 Flash ทำ 59 คะแนนและอยู่บนเส้น Pareto ของ Intelligence เทียบกับ Cost per Task — เพราะอันดับแล็บวัดจากโมเดลตัวท็อป ไม่ได้วัดจากความคุ้มค่า ถ้าเกณฑ์ตัดสินของคุณคือคะแนนต่อบาท ลำดับที่คุณควรใช้เป็นคนละลำดับกับที่อยู่บนพาดหัวโดยสิ้นเชิง

แหล่งข่าว

• Announcing Artificial Analysis Intelligence Index v4.2 (4 ก.ย. 2026)
• Benchmarking GPT-6 Astra — คะแนน 61 เท่ากับ Sol และตัวเลขราคา/โทเคน (3 ก.ย. 2026)
• Artificial Analysis — ระเบียบวิธีของ Intelligence Index
• Google has released Gemini 3.8 Flash — คะแนน 59 และเส้น Pareto (2 ก.ย. 2026)