Benchmark LLM

Un unico Indice di Intelligenza trasparente che combina benchmark pubblici con le valutazioni agentiche, RAG e di ragionamento aziendale di AIMultiple.

Ultimo aggiornamento Giu 2026

Metodologia

MODELLO MIGLIORE

Claude Fable 5

Indice 92

Miglior rapporto qualità-prezzo

MiniMax M3

$0.42 / 1M

Più veloce

GPT OSS 120B

0.19s TTFT

Copertura

64 modelli

8 benchmark · 336 valutazioni

Indice di Intelligenza AIMultiple

Classifica

I modelli con il punteggio più alto in tutti i benchmark.

#	Modello	Indice	LegalBench	FinanceReasoning	Text-to-SQL	Agentic RAG	ARC-AGI-2	Agentic LLM Benchmark	FrontierMath	Swe-Bench
1	Claude Fable 5 Anthropic	92	89	90	90	98	-	69	-	-
2	Kimi K3 Moonshot AI	88	86	88	77	93	-	73	-	-
3	GPT-5.6 Sol OpenAI	87	87	90	74	87	93	62	-	-
4	Grok 4.5 X	86	86	88	79	83	-	73	-	-
5	GPT-5.5 OpenAI	83	87	-	-	-	85	59	-	-
6	GPT-5.6 Terra OpenAI	80	85	87	71	91	84	61	-	-
7	GPT-5.6 Sol Pro OpenAI	80	-	91	79	96	-	54	-	-
8	Claude Opus 4.6 Anthropic	78	-	88	68	80	69	72	-	-
9	Gemini 3 Pro Preview Google	77	87	86	60	89	31	-	-	-
10	Gemini 3.1 Pro Preview Google	77	87	87	65	89	77	46	27	-
Pagina 1 di 7

Costo$20.00

Latenza3.98s

Contesto1M

TTFT3.98s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

Agentic LLM Benchmark

Costo$6.00

Latenza252.11s

Contesto1M

TTFT252.11s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

Agentic LLM Benchmark

Costo$11.25

Latenza2.47s

Contesto1M

TTFT2.47s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Agentic LLM Benchmark

Costo$3.00

Latenza10.26s

Contesto500k

TTFT10.26s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

Agentic LLM Benchmark

Costo$11.25

Latenza1.03s

Contesto272k

TTFT1.03s

LegalBench

ARC-AGI-2

Agentic LLM Benchmark

Costo$5.63

Latenza1.92s

Contesto1M

TTFT1.92s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Agentic LLM Benchmark

Costo$11.25

Latenza11.46s

Contesto1M

TTFT11.46s

FinanceReasoning

Text-to-SQL

Agentic RAG

Agentic LLM Benchmark

Costo$10.00

Latenza1.75s

Contesto1M

TTFT1.75s

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Agentic LLM Benchmark

Costo$4.50

Latenza-

Contesto1M

TTFT

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Costo$4.50

Latenza33.83s

Contesto1M

TTFT33.83s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Agentic LLM Benchmark

FrontierMath

Pagina 1 di 7

Grafici

Modelli secondo "Migliori prestazioni"

Evoluzione nel tempo

Indice di Intelligenza per data di rilascio del modello

Costo vs prestazioni

Costo combinato rispetto all'Indice di Intelligenza

Modello × Benchmark

Modelli migliori sui benchmark selezionati

Metodologia

Come viene costruito l'indice

L'Indice di Intelligenza normalizza ogni benchmark su una scala da 0 a 100 e calcola la media della posizione relativa di un modello sui benchmark su cui è stato valutato. Ogni benchmark qui sotto contribuisce a quel punteggio.

AIMultiple

FinanceReasoningWe evaluated LLMs on 238 hard questions from the FinanceReasoning benchmark (Hendrycks et al.). This subset targets the most challenging financial reasoning tasks, assessing complex multi-step quantitative reasoning with financial concepts and formulas. Our evaluation employed a custom prompt design and scoring criteria of accuracy and token consumption.

AIMultiple

Text-to-SQLWe used our text-to-SQL benchmark methodology on 24 large language models (LLMs) to assess their performance in SQL command generation:

AIMultiple

Agentic RAGWe conducted a benchmark to assess its performance on routing between multiple databases and generating queries.

AIMultiple

AI MemoryWe benchmarked 11 leading text embedding models, including those from OpenAI, Gemini, Cohere, Snowflake, AWS, Mistral, and Voyage AI, using ~500,000 Amazon reviews. We evaluated each model’s ability to retrieve and rank the correct answer first:

AIMultiple

AI HallucinationWe benchmarked 29 different LLMs with 60 questions to measure their hallucination rates

Pubblico

Humanity's Last ExamAGI

FrontierMathIntelligence

Agentic LLM BenchmarkAgentic LLM Benchmark

Aggiornamenti recenti

Ultime modifiche all'Indice di Intelligenza, alla copertura dei modelli e alla metodologia di benchmark di AIMultiple.

16 lug. 2026

Moonshot AI

Kimi K3

Nuovo modello aggiunto all'Indice di Intelligenza AIMultiple.

9 lug. 2026

OpenAI

GPT-5.6 Sol

Nuovo modello aggiunto all'Indice di Intelligenza AIMultiple.

9 lug. 2026

OpenAI

GPT-5.6 Terra

Nuovo modello aggiunto all'Indice di Intelligenza AIMultiple.

9 lug. 2026

OpenAI

GPT-5.6 Sol Pro

Nuovo modello aggiunto all'Indice di Intelligenza AIMultiple.

Esplora Casi d'uso, analisi e benchmark di LLM

Simulazione del pubblico: I LLM possono prevedere il comportamento umano?

LLM

Benchmark

22 Giu

Nel marketing, valutare con quanta precisione gli LLM prevedono il comportamento umano è fondamentale per giudicare la loro efficacia nell'anticipare le esigenze del pubblico e riconoscere i rischi di disallineamento, comunicazione inefficace o influenza non desiderata. La simulazione del pubblico con i LLM consente la creazione di pubblici virtuali, aiutando le organizzazioni ad anticipare le…

Gateway IA per OpenAI: OpenRouter Alternative

Abbiamo testato OpenRouter, SambaNova, TogetherAI, Groq e IA/ML API su tre indicatori (latenza del primo token, latenza totale e conteggio dei token di output), con 300 test utilizzando prompt brevi (circa 18 token) e prompt lunghi (circa 203 token) per la latenza totale. Se prevedi di utilizzare uno di questi gateway IA, puoi: In questo…

LLM

Benchmark

5 Giu

Modelli Linguistici di Grande Dimensione nella Cybersecurity

Abbiamo valutato 7 modelli linguistici di grande dimensione in 9 ambiti della cybersecurity utilizzando SecBench, un benchmark su larga scala e multi-formato per attività di sicurezza. Abbiamo testato ogni modello su 44.823 domande a scelta multipla (MCQ) e 3.087 domande a risposta breve (SAQ), coprendo aree come la sicurezza dei dati, la gestione dell'identità e…

LLM

Approfondimento

26 Mag

ChatGPT per l'assistenza clienti: i 10 migliori casi d'uso

ChatGPT è passato dalla novità all'infrastruttura nell'assistenza clienti. Le aziende lo utilizzano per ridurre i tempi di risposta, gestire volumi che i loro team non possono assorbire e ridurre i costi delle interazioni di routine. Ma i risultati variano notevolmente a seconda di come viene implementato. OpenAI ha lanciato GPT-5.2, un modello materialmente più capace…

LLM

Benchmark

15 Apr

LLM Quantizzazione: BF16 vs FP8 vs INT4

Abbiamo benchmarkato Qwen3-32B a 4 livelli di precisione (BF16, FP8, GPTQ-Int8, GPTQ-Int4) su una singola NVIDIA H100 80GB GPU. Ogni configurazione è stata valutata su 2 benchmark (~12,2K domande) che coprono conoscenza e generazione di codice, oltre a oltre 2.000 esecuzioni di inferenza per misurare il throughput. Int4 è 2,7x più veloce di BF16 pur…

1 2 3

Benchmark LLM

Classifica

Claude Fable 5Anthropic92Indice

Kimi K3Moonshot AI88Indice

GPT-5.6 SolOpenAI87Indice

Grok 4.5X86Indice

GPT-5.5OpenAI83Indice

GPT-5.6 TerraOpenAI80Indice

GPT-5.6 Sol ProOpenAI80Indice

Claude Opus 4.6Anthropic78Indice

Gemini 3 Pro PreviewGoogle77Indice

Gemini 3.1 Pro PreviewGoogle77Indice

Grafici

Come viene costruito l'indice

Aggiornamenti recenti

Kimi K3

GPT-5.6 Sol

GPT-5.6 Terra

GPT-5.6 Sol Pro

Esplora Casi d'uso, analisi e benchmark di LLM

Simulazione del pubblico: I LLM possono prevedere il comportamento umano?

Gateway IA per OpenAI: OpenRouter Alternative

Modelli Linguistici di Grande Dimensione nella Cybersecurity

ChatGPT per l'assistenza clienti: i 10 migliori casi d'uso

LLM Quantizzazione: BF16 vs FP8 vs INT4