GPT-6.1 Terra aggiunto
Il modello più recente dell'AIM LLM Index è GPT-6.1 Terra.
AIM LLM Index
v1.10Un unico indice trasparente che combina 5 benchmark pubblici con le 4 valutazioni agentiche, RAG e di ragionamento aziendale di AIMultiple. Consulta AIM LLM Index Methodology per ulteriori dettagli.
MODELLO MIGLIORE
Claude Opus 5.5
Indice 78
MIGLIOR RAPPORTO QUALITÀ-PREZZO
GPT-6.1 Terra
$2.00 / 1M
MODELLO PIÙ VELOCE
Muse Spark Open
0.31s TTFT
Costo per attività vs punteggio
Costo medio di un'attività su più benchmark rispetto all'Indice LLM
*Costo per attività di ogni modello, mediato con peso uguale su 7 benchmark (tutti tranne MMMU-Pro, che copre troppo pochi modelli). Sono mostrati solo i modelli con un costo su ciascuno di essi. ~ indica una media che include un costo stimato.
AIM LLM Index
Classifica
I modelli con il punteggio più alto in tutti i benchmark.
Filter & Sort
# | Modello | Indice | AIM-Agentic-RAG | AIM-AI-Bias | AIM-FinanceReasoning | AIM-Text-to-SQL | CritPt | FrontierMath | MMMU-Pro | SciCode | Terminal-Bench 4.0 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 Anthropic | 78 | 90 | 94 | 92 | 88 | 32 | 95 | 88 | 67 | 60 |
| 2 |  GPT-6 Astra OpenAI | 74 | 84 | 98 | 87 | 66 | 32 | 98 | 87 | 56 | 60 |
| 3 | GPT-6.1 Sol OpenAI | 74 | 81 | 98 | 90 | 65 | 32 | 100 | 86 | 56 | 56 |
| 4 | Claude Sonnet 5.5 Anthropic | 74 | 85 | 93 | 89 | 74 | 31 | 80 | 86 | 61 | 64 |
| 5 | Claude Fable 5.1 Anthropic | 74 | 84 | 98 | 90 | 67 | 31 | 88 | 86 | 63 | 55 |
| 6 |  Gemini 4 Argon Google | 73 | 94 | 98 | 91 | 79 | 27 | 78 | - | 62 | 57 |
| 7 | GPT-6.1 Terra OpenAI | 71 | 84 | 95 | 87 | 57 | 28 | 93 | 85 | 55 | 56 |
| 8 |  Muse Wonder Meta | 70 | 86 | 95 | 92 | 56 | 28 | 71 | 85 | 60 | 52 |
| 9 | GPT-6 Sol OpenAI | 70 | 82 | 96 | 89 | 54 | 31 | 90 | 83 | 58 | 44 |
| 10 |  Kimi K3.1 Pro Moonshot AI | 69 | 85 | 91 | 90 | 52 | 25 | - | 84 | 61 | 67 |
Pagina 1 di 3
Costo$8.00
Latenza3.15s
Contesto1M
TTFT3.15s
AIM-Agentic-RAG
90
AIM-AI-Bias
94
AIM-FinanceReasoning
92
AIM-Text-to-SQL
88
CritPt
32
FrontierMath
95
MMMU-Pro
88
SciCode
67
Terminal-Bench 4.0
60
Costo$20.00
Latenza3.90s
Contesto1M
TTFT3.90s
AIM-Agentic-RAG
84
AIM-AI-Bias
98
AIM-FinanceReasoning
87
AIM-Text-to-SQL
66
CritPt
32
FrontierMath
98
MMMU-Pro
87
SciCode
56
Terminal-Bench 4.0
60
Costo$4.00
Latenza3.50s
Contesto1M
TTFT3.50s
AIM-Agentic-RAG
81
AIM-AI-Bias
98
AIM-FinanceReasoning
90
AIM-Text-to-SQL
65
CritPt
32
FrontierMath
100
MMMU-Pro
86
SciCode
56
Terminal-Bench 4.0
56
Costo$4.00
Latenza1.27s
Contesto1M
TTFT1.27s
AIM-Agentic-RAG
85
AIM-AI-Bias
93
AIM-FinanceReasoning
89
AIM-Text-to-SQL
74
CritPt
31
FrontierMath
80
MMMU-Pro
86
SciCode
61
Terminal-Bench 4.0
64
Costo$20.00
Latenza3.33s
Contesto1M
TTFT3.33s
AIM-Agentic-RAG
84
AIM-AI-Bias
98
AIM-FinanceReasoning
90
AIM-Text-to-SQL
67
CritPt
31
FrontierMath
88
MMMU-Pro
86
SciCode
63
Terminal-Bench 4.0
55
Costo$4.00
Latenza4.98s
Contesto1M
TTFT4.98s
AIM-Agentic-RAG
94
AIM-AI-Bias
98
AIM-FinanceReasoning
91
AIM-Text-to-SQL
79
CritPt
27
FrontierMath
78
SciCode
62
Terminal-Bench 4.0
57
Costo$2.00
Latenza2.02s
Contesto1M
TTFT2.02s
AIM-Agentic-RAG
84
AIM-AI-Bias
95
AIM-FinanceReasoning
87
AIM-Text-to-SQL
57
CritPt
28
FrontierMath
93
MMMU-Pro
85
SciCode
55
Terminal-Bench 4.0
56
Costo$8.00
Latenza35.22s
Contesto1M
TTFT35.22s
AIM-Agentic-RAG
86
AIM-AI-Bias
95
AIM-FinanceReasoning
92
AIM-Text-to-SQL
56
CritPt
28
FrontierMath
71
MMMU-Pro
85
SciCode
60
Terminal-Bench 4.0
52
Costo$4.00
Latenza2.46s
Contesto1M
TTFT2.46s
AIM-Agentic-RAG
82
AIM-AI-Bias
96
AIM-FinanceReasoning
89
AIM-Text-to-SQL
54
CritPt
31
FrontierMath
90
MMMU-Pro
83
SciCode
58
Terminal-Bench 4.0
44
Costo$4.00
Latenza49.60s
Contesto1M
TTFT49.60s
AIM-Agentic-RAG
85
AIM-AI-Bias
91
AIM-FinanceReasoning
90
AIM-Text-to-SQL
52
CritPt
25
MMMU-Pro
84
SciCode
61
Terminal-Bench 4.0
67
Pagina 1 di 3
Evoluzione nel tempo
Indice LLM per data di rilascio del modello
Modello × Benchmark
Modelli migliori sui benchmark selezionati
Costo vs prestazioni
Costo combinato rispetto all'Indice LLM
AIM LLM Index Methodology
Il punteggio di un modello nell'indice è la media dei suoi risultati sui benchmark elencati sotto. I punteggi già su una scala 0-100 sono usati così come sono; gli altri sono riscalati su 0-100. Un benchmark mancante per un modello viene escluso invece di essere contato come zero, e ogni benchmark ha lo stesso peso. Un modello deve avere un punteggio in almeno 2 benchmark AIMultiple per entrare in classifica. I risultati di MMMU-Pro provengono da 2 fonti separate.
Benchmark utilizzati
AIMultiple
AIM-Agentic-RAGRouting multi-database e generazione di query SQL su 11 database (BIRD-SQL, 759 domande).AIMultiple
AIM-AI-BiasValutazione dei bias a scelta multipla: 64 domande in 12 categorie di bias, ciascuna posta 5 volte in due esecuzioni (v1 e v2), su 109 modelli. Il punteggio è la quota di risposte che scelgono l'opzione non distorta, come media delle due esecuzioni.AIMultiple
AIM-FinanceReasoningRagionamento finanziario complesso a più passaggi su 238 domande difficili di FinanceReasoning.AIMultiple
AIM-Text-to-SQLAccuratezza nella generazione di query SQL a partire dal linguaggio naturale su oltre 35 LLM.Pubblico
CritPtProblemi di fisica di livello di ricerca che richiedono derivazioni multi-step.Pubblico
FrontierMathProblemi di matematica di ricerca inediti, scritti da esperti (livelli 1–4).Pubblico
MMMU-ProComprensione multimodale di livello universitario tra discipline, resa robusta contro scorciatoie solo testuali.Pubblico
SciCodeCoding scientifico a livello di ricerca in fisica, matematica, biologia e chimica (338 sottoproblemi)Pubblico
Terminal-Bench 4.0L'attuale generazione di Terminal-Bench: compiti agentici da terminale valutati per tasso di risoluzione.Scarica tutti i dati
Risultati grezzi di 73.9 mila punti dati dai benchmark AIMultiple su cui si basa questo indice. Scaricali come file ZIP contenente 4 file CSV e un README.
Ultimo aggiornamento: 30 ottobre 2026
ScaricaVuoi i dati granulari che ci stanno dietro? Passa a Premium
Registro delle modifiche
62 aggiornamenti- v1.10
2 modelli sono entrati nell'AIM LLM Index: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
113 modelli sono stati aggiunti al dataset: Claude 3 Haiku, Claude Opus 4.7 (max), Command A, DeepSeek R1 (Jan), DeepSeek R1 0528 Qwen3 8B e altri 108.
- v1.10
Qwen3.6 35B A3B è stato aggiunto al dataset.
- v1.10
3 modelli sono entrati nell'AIM LLM Index: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
3 modelli sono stati aggiunti al dataset: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
2 modelli sono stati aggiunti al dataset: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
Muse Wonder è entrato nell'AIM LLM Index.
- v1.10
Muse Wonder è stato aggiunto al dataset.
- v1.10
Gemini 4 Argon è entrato nell'AIM LLM Index.
- v1.10
Gemini 4 Argon è stato aggiunto al dataset.
Cronologia dei rilasci di LLMIl ritmo dell'innovazione nell'IA
Laboratori di IA
Gemini 3.8 Flash Lite TTS +1 altriGemini 3.8 Flash Lite TTSGemini 3.8 Flash TTS
23 setGemini 3.5 Transcribe
25 setNano Banana 2.1
06 ottGemini 4 Argon
13 ottGemini Omni 1.1 Flash
04 novGemini Omni 1.2 Flash
05 novGPT Image 2.5 Flare +1 altriGPT Image 2.5 FlareGPT Image 2.5 Sunburst
09 setGPT-6 Luna +1 altriGPT-6 LunaGPT-6 Sol
22 setGPT-6.1 Sol
29 setGPT-6 Luna Decisions
06 ottGPT-6.1 Terra
26 ottGPT Image 2.6 Flare +1 altriGPT Image 2.6 FlareGPT Image 2.6 Sunburst
04 nov
GLM 5.3 FlashX
18 setGLM 5.3 Prime
23 setGLM 5.3 FlashX Legal
02 novKimi K3.1 Pro
23 ott
MiniMax M3.1 Flash
19 ott
DeepSeek V4.1 Flash
10 setDeepSeek V4.1 Flash 1017
17 ott
Qwen3.8 Omni Flash
21 setQwen3.8 Max Prime
23 setQwen Image 2.1 Pro +1 altriQwen Image 2.1 ProQwen Image 2.1 Turbo
16 ottMuse Voice Transcribe 1.0
11 setMuse Wonder
12 ottMuse Spark Open
15 ott
Solar Mini 4
23 setSolar Decide
28 setSolar Decide Flash
08 ottClaude Opus 5.5
22 setClaude Sonnet 5.5
28 setClaude Haiku 5.5
07 ott
Grok 4.7
21 setGrok Imagine Video 1.5 Lite
06 ott
MiMo-V2.6-Flash +2 altriMiMo-V2.6-FlashMiMo-V2.6-ProMiMo-V2.6-Pro-UltraSpeed
21 setEsplora Casi d'uso, analisi e benchmark di LLM
- LLMBenchmark6 ott
I modelli linguistici di grandi dimensioni nella cybersecurity
Abbiamo valutato 7 modelli linguistici di grandi dimensioni in 9 domini di cybersecurity utilizzando SecBench, un benchmark su larga scala e multi-formato per attività di sicurezza. Abbiamo testato ciascun modello su 44.823 domande a scelta multipla (MCQ) e 3.087 domande a risposta breve (SAQ), coprendo sicurezza dei dati, gestione delle identità e degli accessi, sicurezza…
- LLMApprofondimento21 set
LLM Calcolatore VRAM per il self-hosting
Il self-hosting di un LLM significa eseguire l'inferenza su hardware controllato dall'operatore anziché tramite un'API di terze parti, il che cambia il profilo di costi, controllo dei dati e privacy. Il fatto che un modello possa girare dipende interamente dalla memoria. Il calcolatore stima la VRAM o la memoria unificata necessaria a un modello per…
- LLMBenchmark18 set
IT agentico: gli agenti IA possono progettare un benchmark
Abbiamo testato 16 modelli sulla progettazione di un benchmark in text-to-SQL e tool calling. Ogni modello ha creato un benchmark per argomento, per un totale di 32 proposte. Nessuna proposta ha superato ogni criterio della rubrica. Gli agenti sono riusciti a creare ed eseguire test, ma nessuno ha dimostrato sia un test con risposta vuota…
- LLMBenchmark17 set
AIM Enterprise: benchmark aziendale agentico
Le aziende usano gli LLM ogni giorno per le loro attività regolari. Per trovare gli LLM più convenienti, abbiamo progettato AIM Enterprise, un benchmark aziendale agentico, in cui abbiamo utilizzato 69 attività aziendali reali tra strategia, marketing, HR, vendite e operazioni. Due modelli giudici hanno valutato ogni file che ha superato i controlli. Nel 32,7%…
- LLMApprofondimento15 set
LLM Leggi di scaling: analisi dei ricercatori di IA
Large language models prevedono il token successivo in base ai pattern appresi dai dati testuali. Il termine leggi di scaling degli LLM si riferisce a regolarità empiriche che collegano le prestazioni del model alla quantità di compute, ai dati di addestramento e ai parametri del model utilizzati durante l'addestramento. Per comprendere come queste relazioni influenzino…
- LLMBenchmark15 set
Simulazione del pubblico: gli LLM possono prevedere il comportamento umano?
Nel marketing, valutare con quanta precisione gli LLM prevedono il comportamento umano è fondamentale per stimare la loro efficacia nell'anticipare le esigenze del pubblico e riconoscere i rischi di disallineamento, comunicazione inefficace o influenza non intenzionale. La simulazione del pubblico con gli LLM consente di modellare pubblici virtuali, aiutando le organizzazioni ad anticipare le reazioni…
- LLMApprofondimento2 set
LLM Strumenti di osservabilità: Weights & Biases, Langsmith
Le applicazioni LLM si sono espanse da chat a turno singolo ad agenti multi-step che usano strumenti, interrogano database e si coordinano con altri model, rendendo il loro comportamento più difficile da interpretare. L'osservabilità LLM fornisce visibilità continua su questi flussi di lavoro complessi, aiutando le organizzazioni a monitorare la qualità, rilevare i guasti, risolvere…
- LLMApprofondimento1 set
LLM Guida al fine-tuning per le imprese
Segui i link per le soluzioni specifiche ai problemi di output del tuo LLM. Se il tuo LLM: L'adozione diffusa dei large language model (LLM) ha migliorato la nostra capacità di elaborare il linguaggio umano. Tuttavia, il loro addestramento generico spesso porta a prestazioni non ottimali per compiti specifici. Per superare questa limitazione, si adottano…
Filtri