GPT-6.1 Terra adicionado
O modelo mais recente do AIM LLM Index é GPT-6.1 Terra.
AIM LLM Index
v1.10Um único índice transparente que combina 5 benchmarks públicos com as 4 avaliações agênticas, de RAG e de raciocínio empresarial da AIMultiple. Consulte AIM LLM Index Methodology para mais detalhes.
MELHOR MODELO
Claude Opus 5.5
Índice 78
MELHOR CUSTO-BENEFÍCIO
GPT-6.1 Terra
$2.00 / 1M
MODELO MAIS RÁPIDO
Muse Spark Open
0.31s TTFT
Custo por tarefa vs pontuação
Custo médio de uma tarefa em vários benchmarks em relação ao Índice LLM
*Custo por tarefa de cada modelo, com média de peso igual sobre 7 benchmarks (todos exceto MMMU-Pro, que cobre poucos modelos). Só aparecem os modelos com custo em todos eles. ~ indica uma média que inclui um custo estimado.
AIM LLM Index
Classificação
Os modelos com maior pontuação em todos os benchmarks.
Filter & Sort
# | Modelo | Índice | 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 |
Página 1 de 3
Custo$8.00
Latência3.15s
Contexto1M
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
Custo$20.00
Latência3.90s
Contexto1M
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
Custo$4.00
Latência3.50s
Contexto1M
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
Custo$4.00
Latência1.27s
Contexto1M
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
Custo$20.00
Latência3.33s
Contexto1M
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
Custo$4.00
Latência4.98s
Contexto1M
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
Custo$2.00
Latência2.02s
Contexto1M
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
Custo$8.00
Latência35.22s
Contexto1M
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
Custo$4.00
Latência2.46s
Contexto1M
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
Custo$4.00
Latência49.60s
Contexto1M
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
Página 1 de 3
Evolução ao longo do tempo
Índice LLM por data de lançamento do modelo
Modelo × Benchmark
Melhores modelos nos benchmarks selecionados
Custo vs desempenho
Custo combinado em relação ao Índice LLM
AIM LLM Index Methodology
A pontuação de um modelo no índice é a média dos seus resultados nos benchmarks abaixo. Pontuações que já estão numa escala de 0-100 são usadas como estão; as outras são reescaladas para 0-100. Um benchmark em falta para um modelo é excluído em vez de contar como zero, e todos os benchmarks têm o mesmo peso. Um modelo precisa de ser pontuado em pelo menos 2 benchmarks da AIMultiple para entrar na classificação. Os resultados do MMMU-Pro vêm de 2 fontes distintas.
Benchmarks que usamos
AIMultiple
AIM-Agentic-RAGRoteamento multibanco de dados e geração de consultas SQL em 11 bancos de dados (BIRD-SQL, 759 perguntas).AIMultiple
AIM-AI-BiasAvaliação de vieses de múltipla escolha: 64 perguntas em 12 categorias de viés, cada uma feita 5 vezes em duas execuções (v1 e v2), em 109 modelos. A pontuação é a parcela de respostas que escolhem a opção sem viés, na média das duas execuções.AIMultiple
AIM-FinanceReasoningRaciocínio financeiro complexo de várias etapas em 238 perguntas difíceis do FinanceReasoning.AIMultiple
AIM-Text-to-SQLPrecisão na geração de consultas SQL a partir de linguagem natural em mais de 35 LLMs.Público
CritPtProblemas de fisica de nivel de pesquisa que exigem derivacoes em varias etapas.Público
FrontierMathProblemas de matemática de pesquisa inéditos, escritos por especialistas (níveis 1–4).Público
MMMU-ProCompreensao multimodal de nivel universitario entre disciplinas, endurecida contra atalhos apenas textuais.Público
SciCodeProgramação científica de nível de pesquisa em física, matemática, biologia e química (338 subproblemas)Público
Terminal-Bench 4.0A geracao atual do Terminal-Bench: tarefas agenticas de terminal pontuadas por taxa de resolucao.Baixar todos os dados
Resultados brutos de 73.9 mil pontos de dados dos benchmarks da AIMultiple em que este índice se baseia. Baixe-os como um arquivo ZIP contendo 4 arquivos CSV e um README.
Última atualização: 30 outubro 2026
BaixarQuer os dados granulares por trás disso? Assine o Premium
Registro de alterações
62 atualizações- v1.10
2 modelos entraram no AIM LLM Index: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
113 modelos foram adicionados ao conjunto de dados: Claude 3 Haiku, Claude Opus 4.7 (max), Command A, DeepSeek R1 (Jan), DeepSeek R1 0528 Qwen3 8B e mais 108.
- v1.10
Qwen3.6 35B A3B foi adicionado ao conjunto de dados.
- v1.10
3 modelos entraram no AIM LLM Index: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
3 modelos foram adicionados ao conjunto de dados: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
2 modelos foram adicionados ao conjunto de dados: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
Muse Wonder entrou no AIM LLM Index.
- v1.10
Muse Wonder foi adicionado ao conjunto de dados.
- v1.10
Gemini 4 Argon entrou no AIM LLM Index.
- v1.10
Gemini 4 Argon foi adicionado ao conjunto de dados.
Cronologia de lançamentos de LLMO ritmo da inovação em IA
Laboratórios de IA
Gemini 3.8 Flash Lite TTS +1 maisGemini 3.8 Flash Lite TTSGemini 3.8 Flash TTS
23 setGemini 3.5 Transcribe
25 setNano Banana 2.1
06 outGemini 4 Argon
13 outGemini Omni 1.1 Flash
04 novGemini Omni 1.2 Flash
05 novGPT Image 2.5 Flare +1 maisGPT Image 2.5 FlareGPT Image 2.5 Sunburst
09 setGPT-6 Luna +1 maisGPT-6 LunaGPT-6 Sol
22 setGPT-6.1 Sol
29 setGPT-6 Luna Decisions
06 outGPT-6.1 Terra
26 outGPT Image 2.6 Flare +1 maisGPT 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 out
MiniMax M3.1 Flash
19 out
DeepSeek V4.1 Flash
10 setDeepSeek V4.1 Flash 1017
17 out
Qwen3.8 Omni Flash
21 setQwen3.8 Max Prime
23 setQwen Image 2.1 Pro +1 maisQwen Image 2.1 ProQwen Image 2.1 Turbo
16 outMuse Voice Transcribe 1.0
11 setMuse Wonder
12 outMuse Spark Open
15 out
Solar Mini 4
23 setSolar Decide
28 setSolar Decide Flash
08 outClaude Opus 5.5
22 setClaude Sonnet 5.5
28 setClaude Haiku 5.5
07 out
Grok 4.7
21 setGrok Imagine Video 1.5 Lite
06 out
MiMo-V2.6-Flash +2 maisMiMo-V2.6-FlashMiMo-V2.6-ProMiMo-V2.6-Pro-UltraSpeed
21 setExplore Casos de uso, análises e benchmarks do LLM
- LLMBenchmark6 out
Grandes Modelos de Linguagem em Cibersegurança
Avaliamos 7 grandes modelos de linguagem em 9 domínios de cibersegurança usando o SecBench, um benchmark de grande escala e multiformato para tarefas de segurança. Testamos cada modelo em 44.823 perguntas de múltipla escolha (MCQs) e 3.087 perguntas de resposta curta (SAQs), abrangendo segurança de dados, gerenciamento de identidade e acesso, segurança de rede, gerenciamento…
- LLMAnálise21 set
LLM Calculadora de VRAM para Auto-Hospedagem
Auto-hospedar um LLM significa executar a inferência em hardware que o operador controla, em vez de via uma API de terceiros, o que altera o custo, o controle de dados e o perfil de privacidade. O fato de um modelo executar ou não depende da memória. A calculadora estima a VRAM ou memória unificada que…
- LLMBenchmark18 set
TI Agêntica: Podem os Agentes de IA Conceber um Benchmark
Testámos 16 models na conceção de um benchmark em text-to-SQL e chamada de ferramentas. Cada model criou um benchmark por tópico, num total de 32 submissões. Nenhuma submissão passou em todos os critérios da rubrica. Os agentes conseguiram criar e executar testes, mas nenhum demonstrou simultaneamente um teste de resposta em branco e um teste…
- LLMBenchmark17 set
AIM Enterprise: Benchmark Empresarial Agêntico
As empresas usam LLMs todos os dias para suas tarefas regulares. Para encontrar os LLMs com melhor custo-benefício, projetamos o AIM Enterprise, um benchmark empresarial agêntico, no qual usamos 69 tarefas empresariais reais em estratégia, marketing, RH, vendas e operações. Dois modelos juízes pontuaram cada arquivo que passou nas verificações. Em 32,7% das pontuações individuais,…
- LLMAnálise15 set
LLM Leis de Escala: Análise de Pesquisadores de IA
Large language models preveem o próximo token com base em padrões aprendidos a partir de dados de texto. O termo LLM leis de escala refere-se a regularidades empíricas que vinculam o desempenho do model à quantidade de computação, aos dados de treinamento e aos parâmetros do model usados durante o treinamento. Para entender como essas…
- LLMBenchmark15 set
Simulação de Audiência: LLMs Podem Prever o Comportamento Humano?
Em marketing, avaliar com que precisão os LLMs preveem o comportamento humano é crucial para avaliar sua eficácia em antecipar as necessidades do público e reconhecer os riscos de desalinhamento, comunicação ineficaz ou influência não intencional. A simulação de audiência com LLMs permite a modelagem de públicos virtuais, ajudando as organizações a antecipar reações a…
- LLMAnálise2 set
LLM Ferramentas de Observabilidade: Weights & Biases, Langsmith
Aplicações de LLM expandiram-se de chats de turno único para agentes de várias etapas que usam ferramentas, consultam bancos de dados e coordenam com outros modelos, tornando seu comportamento mais difícil de interpretar. A observabilidade de LLM fornece visibilidade contínua nesses fluxos de trabalho complexos, ajudando as organizações a monitorar a qualidade, detectar falhas, solucionar…
- LLMAnálise1 set
LLM Guia de Fine‑Tuning para Empresas
Siga os links para soluções específicas para seus desafios de saída de LLM. Se o seu LLM: A ampla adoção de large language models (LLMs) melhorou nossa capacidade de processar a linguagem humana. No entanto, seu treinamento genérico frequentemente resulta em desempenho abaixo do ideal para tarefas específicas. Para superar essa limitação, métodos de fine‑tuning…
Filtros