Daha Akıllı ve Daha Yoğun Modeller için 71 LLM'in Zekâ Yoğunluğu

Şubat 2023 ile Mayıs 2026 arasında yayımlanan 71 LLM'i izledik ve zekâ yoğunluğunu ölçmek için 10 halka açık benchmark topladık. Yetenek puanını modelin tükettiği kaynağa (aktif parametreler, eğitim hesaplaması ve inference fiyatı) böldük.

LLM zekâ yoğunluğuna genel bakış

Zekâ yoğunluğunu hesaplamak için şu adımları uyguladık:

• Kaynak verimliliği: Her modelin yeteneğini iki kaynak metriğine böldük:
  • Aktif parametreler: Bellek ve sunum maliyeti için bir proxy (açık ağırlıklı modeller için).
  • Inference fiyatı: Milyon token başına harmanlanmış API fiyatlandırmasına dayalı piyasa maliyet verimliliği.
  • Eğitim hesaplama (FLOP) notu: Başlangıçta üçüncü bir eksen olan eğitim hesaplamasını (FLOP) dahil ettik, ancak doymuş Standart benchmark'lardaki negatif eğimi 2023–2024 bileşik değerini sezgiye aykırı bir düşüşe sürüklediği için çıkardık.
• Benchmark gruplaması: Puan doygunluğunun verimlilik kazanımlarını gizlemesini önlemek için yetenekleri iki farklı benchmark döneminde değerlendirdik:
  • Standart benchmark'lar (2023–2024): MMLU (5-shot), GSM8K (8-shot CoT), HellaSwag (10-shot), ARC Challenge (25-shot), HumanEval (0-shot pass@1).
  • Gelişmiş benchmark'lar (2024–2026): MMLU-Pro, GPQA Diamond, AIME 2025, LiveCodeBench, SWE-bench Verified.
• Zincirleme endeksleme: Eşleşen benchmark grupları içinde yıllık bazda büyümeyi hesapladık ve kümülatif eğilimi çizmek için 2023 temel değeri olan 100'den itibaren çarpımsal olarak zincirledik.

Puanlama yaklaşımı ve kaynak bazında dağılımlar için metodoloji bölümüne bakın.

LLM zekâ yoğunluğu sonuçları

2026 ortasına gelindiğinde, yapay zekâ ekosistemi kaynak birimi başına (parametreler ve dolarlar) 2023 temel çizgisine kıyasla yaklaşık 15 kat daha fazla zekâ sundu. Eğilimi okurken dikkat edilmesi gereken iki nokta var:

• 2024–2025 sıçraması (+%362) gerçek kazanımı olduğundan fazla gösteriyor: Gelişmiş benchmark'lar 2024'te yeniydi ve yalnızca birkaç modelin bunlarda puanı vardı; bu nedenle 2024 temel çizgisi yapay olarak düşük kaldı. “Sıçramanın” çoğu panelin doldurulmasından kaynaklanıyor, tek yıllık bir verimlilik sıçramasından değil.
• 2025–2026 kazanımı (+%105) asıl hikâyenin olduğu yer: Çok daha fazla modelde ölçülüyor ve Qwen 3.6-35B-A3B ile DeepSeek V4 Flash gibi küçük açık ağırlıklı sürümlerin, çok daha küçük boyut ve maliyetle frontier kapalı model yeteneğine ulaşmasından kaynaklanıyor.

LLM yeteneği

Yoğunluk grafiği verimliliği gösterir. Bağlama oturtmak için aynı dönemde ham yeteneği de ölçtük: Herhangi bir kaynak düzeltmesi yapılmadan önce bu modeller gerçekte ne kadar akıllandı?

Yetenek, her yıl yayımlanan tüm modellerin ortalaması alınarak 2023'te 100'e endekslenmiştir.

Eksenler ve araç ipucu yoğunluk grafiğiyle aynı şekilde çalışır; Y ekseni yoğunluk yerine ham benchmark performansını izler.

2023'te 100 olan yetenek puanı 2026'ya kadar 468'e yükseldi; bu yaklaşık 4.7 katlık bir iyileşmedir. Yıllara göre:

• 2024 (+%88): Standart benchmark'lar doymadan önce hızlı ilerleme.
• 2025 (+%105): Aynı hızlı ilerleme, standartların yerini alan daha zor gelişmiş benchmark'larda ölçüldü.
• 2026 (+%22): Yavaşlama, gelişmiş benchmark'ların da doymaya başladığının erken bir işaretidir.

İki grafiği yan yana koyduğumuzda:

• Yetenek 4.7× artarken zekâ yoğunluğu 8.9× arttı.
• Modeller aynı anda hem daha akıllı hem daha verimli hale geldi. Çalışmaları için orantılı olarak daha fazla parametreye, eğitim hesaplamasına veya paraya ihtiyaç duymuyorlar.

Şuna dikkat edin: 4.7× yetenek rakamı güvenilir bir büyüklüktür. 8.9× yoğunluk rakamı ise daha kırılgandır (2024 gelişmiş grubunda daha az veri noktası vardır ve bu, o yılın büyüme oranını şişirir); bu nedenle kesin bir çarpan yerine yön gösteren bir sinyal olarak değerlendirin.

Hangi LLM en yüksek zekâ yoğunluğuna sahip?

Zekâ yoğunluğu, hangi kaynağı ölçtüğümüze ve hangi benchmark grubunda puanladığımıza bağlıdır. Lider her kombinasyonda değişir.

Aktif parametre başına yoğunluk (açık ağırlıklı)

Bu görünüm, bir modelin yeteneği ağırlıklarına ne kadar verimli sığdırdığını ölçer. Aktif parametreler önemlidir çünkü Mixture-of-Experts (MoE) modelleri her token'ı toplam ağırlıkların yalnızca bir kısmından geçirir. DeepSeek V3 toplam 671B parametreye sahiptir ancak token başına 37B aktif parametre kullanır ve 37B rakamı etkin sunum maliyetini yansıtır.

Standart benchmark liderleri

• LLaMA 3.1 8B (Tem 2024): 100.0
• LLaMA 3 8B (Nis 2024): 85.0
• LLaMA 4 Maverick (Nis 2025): 55.9
• Mixtral 8x7B (Ara 2023): 47.4
• Mistral 7B (Eyl 2023): 46.3

Gelişmiş benchmark liderleri

• Qwen 3.6-35B-A3B (Nis 2026): 100.0 (3B aktif parametre; puan tek bir benchmark'a, %73,4 ile SWE-bench Verified'a dayanıyor; bu yüzden buna göre okuyun)
• GPT-OSS 20B (Ağu 2025): 85.2 (3.6B aktif parametre)
• GPT-OSS 120B (Ağu 2025): 64.4 (5.1B aktif parametre)
• Qwen 3.5 9B (Mar 2026): 35.2 (9B yoğun parametre)
• DeepSeek V4 Flash (Nis 2026): 26.0

Standart benchmark sıralaması 2024'ün sonlarından bu yana hareket etmiyor; bunun nedeni ilerlemenin durması değil, benchmark'ların doymuş olmasıdır. GPT-4 2023 başlarında standart benchmark'larda 90.2 puan alırken gelişmiş benchmark'larda 17.3 puan aldı.

Eğitim FLOP'u başına yoğunluk (açık ağırlıklı)

Bu görünüm, ham harcama yerine veri düzenlemeyi, mimari seçimlerini ve eğitim reçetelerini ödüllendirir.

Not: Standart benchmark'larda FLOP başına yoğunluk zamanla düşüyor gibi görünüyor. Bu bir doygunluk yapaylığıdır, eğitim verimliliğinin azalması değil. Eski benchmark'lar artık son kazanımları ölçmez; bu nedenle yetenek puanları sıkışırken eğitim hesaplaması büyümeye devam eder.

Standart benchmark liderleri

• Mistral 7B (Eyl 2023): 100.0 (hâlâ panel çapası, iki yılı aşkın süredir)
• LLaMA 3 8B (Nis 2024): 40.8
• LLaMA 1 (Şub 2023): 37.0
• DeepSeek V2 (May 2024): 32.6
• Mixtral 8x7B (Ara 2023): 27.1

Gelişmiş benchmark liderleri

• Qwen 3.5 9B (Mar 2026): 100.0
• Qwen 3.6-35B-A3B (Nis 2026): 28.4
• DeepSeek V4 Flash (Nis 2026): 6.4

Qwen 3.5 (9B) sonucu dikkat çekicidir: yaklaşık 1.5 × 10²³ FLOP ile eğitilen 9B yoğun bir model, gelişmiş benchmark yeteneğinde 81.2 puan alıyor. Eğitim hesaplaması DeepSeek V4 Pro'dan kabaca bir mertebe daha düşük, ancak yetenek farkı daha küçük.

Inference doları başına yoğunluk

Dolar başına yoğunluk, açık ağırlıklı ve kapalı frontier modellerin doğrudan karşılaştırılabileceği eksendir çünkü API fiyatlandırması halka açık olarak doğrulanabilir. Başlıkta, lansman sonrası indirimlerin yansıması için yerleşik fiyatları kullanıyoruz.

Standart benchmark liderleri

• Mistral Small 3 24B (Oca 2025): milyon token başına Mistral'in birinci taraf API'si üzerinden $0,10 / $0,30 ile 100.0
• Gemini 1.5 Flash (May 2024): 99.3 (Ağustos 2024'teki fiyat indirimi sonrasında en yüksek puan alan kapalı ağırlıklı model)
• DeepSeek V2 (May 2024): milyon token başına $0,27 / $1,10 ile 66.0
• DeepSeek V3 (Ara 2024): 30.9
• DeepSeek R1 (Oca 2025): 17.8

Gelişmiş benchmark liderleri

• GPT-OSS 120B (Ağu 2025): 100.0 (fiyat referansı, OpenAI modeli birinci taraf API'de barındırmadığı için OpenRouter sağlayıcılar arası medyandır)
• GPT-OSS 20B (Ağu 2025): 80.0
• DeepSeek V4 Flash (Nis 2026): DeepSeek'in birinci taraf API'si üzerinden milyon token başına $0,06 / $0,42 ile 44.0
• DeepSeek V3.2 (Ara 2025): 22.5
• Mistral Small 3 24B (Oca 2025): 20.9
• DeepSeek V4 Pro (Nis 2026): harmanlanmış $0,54 ile 16.0, gelişmiş benchmark yeteneği 97.8. Bu, V4 Pro'yu Claude Opus 4.7'nin 2.2 yetenek puanı yakınına, kabaca 1/18th harmanlanmış fiyata ($0,54 vs $10,00) getiriyor.

Kapalı frontier farkı kapanmadı

Panel dönemi boyunca Anthropic, OpenAI ve Google'dan kapalı muhakeme modelleri gelişmiş benchmark'larda dolar başına yoğunlukta 0 ile 6 arasında kümeleniyor. GPT-4 Mart 2023'te 0.0 puan aldı. Claude Opus 4.7 Nisan 2026'da 0.9 puan aldı.

Kapalı laboratuvarlar mutlak fiyatları düşürdü:

• Claude Opus, Opus 4 ile Opus 4.5 arasında milyon token başına $30'dan $10'a düştü.
• OpenAI'nin o3'ü, lansmandaki $10/$40'tan yerleşik $2/$8'e düştü.
• Gemini 1.5 Flash yaklaşık %78 düştü.

Ancak açık ağırlıklı yoğunluk liderleriyle göreli fark dönem boyunca kabaca 30 ila 50 kat kaldı. DeepSeek, 2024'te milyon başına yaklaşık $0,18 (V2) ve 2026'da (V4 Flash) yine milyon başına yaklaşık $0,18 fiyatlandırdı. Açık ağırlık fiyat tabanı hareket etmedi ve kapalı amiral gemisi tabanı farkı kapatacak kadar hareket etmedi. Fiyat rekabeti, eski kapalı modellerin ucuz alternatifler olarak canlı tutulduğu önceki nesil katmanında yaşanıyor, frontier'değil.

Yeni yön: Agentic benchmark'lar

Yapay zekâ performansını ölçmek için kullanılan gelişmiş benchmark'lar, tıpkı yerini aldıkları eski test paketleri gibi etkinliğini kaybetmeye başlıyor. Laboratuvarlar artık eski muhakeme testleri yerine SWE-Bench Pro, Terminal-Bench, OSWorld-Verified ve Finance Agent gibi agentic benchmark'larda sonuç bildiriyor. Son dönemdeki birçok frontier sürümü, ana panelimizin izlediği muhakeme benchmark'larında hiç puan olmaksızın neredeyse tamamen bu agentic LLM benchmark'larına raporluyor.

Bu kaymayı izlemek için Standart ve Gelişmiş grupların yanına Agentic adında üçüncü bir benchmark grubu ekledik. AIM LLM Index'indeki üç benchmark'ı birleştirir:

• Terminal-Bench 4.0: bir terminalde agentic görevleri tamamlama
• AIM-Agentic-RAG: her soruyu 11 veritabanı arasından doğru veritabanına yönlendirme
• AIM-Text-to-SQL: doğru veritabanı seçildikten sonra doğru SQL yazma

Puanlar diğer gruplarla aynı yöntemle birleştirilir: her benchmark z-puanına dönüştürülür, bir modelin mevcut z-puanlarının ortalaması alınır ve sonuç 0–100 aralığına yeniden ölçeklenir. Bir modelin dahil edilmesi için üç benchmark'ın en az ikisine sahip olması gerekir.

Yayımlanma tarihine göre agentic yetenek ve dolar başına agentic yoğunluk. Puanlar grafikteki modellere göre 0 ile 100 arasında değişir; bu nedenle 0, gruptaki en düşük modeli işaret eder, başarısız bir çalıştırmayı değil. Çizilen modeller arasında:

• En yüksek agentic yetenek: Claude Opus 5.5 (100), Gemini 4 Argon (97.4), Claude Sonnet 5.5 (79.9) ve GPT-6 Astra (65.2).
• Dolar başına en yüksek agentic yoğunluk: Gemini 4 Argon (100), Claude Sonnet 5.5 (82.1), GPT-6.1 Sol (53.8) ve Claude Opus 5.5 (51.4).
• Fiyat sıralamayı değiştiriyor: GPT-6 Astra ve Claude Fable 5.1 yetenekte orta sırada, ancak 1M token başına $20 ile dolar başına yoğunlukta dibe düşüyorlar (13.4 ve 12.3).

Agentic benchmark'ları keşfetmek için agentic kodlama benchmark'larına, agentic aramaya ve agentic izlemeye göz atın.

Agentic performansı karşılaştırmanın zorlukları

Agentic benchmark sonuçlarını değerlendirmek ve karşılaştırmak birkaç temel zorluğu beraberinde getirir:

• Yetenek metriklerine odaklanma: Yoğunluğu ölçmek için gereken kaynak verileri (parametre sayıları, eğitim hesaplaması ve doğrulanmış model bazında fiyatlandırma) kapalı laboratuvarlar tarafından eksik bırakıldığı veya açıklanmadığı için yetenek puanlarını gösterebiliyoruz.
• Sistem düzeyinde hassasiyet: Benchmark puanları yalnızca yapay zekâ modelini değil, tüm sistemi ölçer. Puanlar büyük ölçüde “iskeleye” (çevreleyen yazılım framework'üne) bağlı olduğundan, aynı model kullanılan belirli agent harness'e bağlı olarak çok farklı sonuçlar verebilir.
• Standardizasyon protokolü: Adil bir karşılaştırma sağlamak için bu rapor yalnızca tek ve standartlaştırılmış bir ortamdan (Scale'in SEAL liderlik tablosu) alınan SWE-Bench Pro verilerini çizer. Diğer laboratuvar bildirimli puanlar farklı harness'ler kullanır ve doğrudan karşılaştırılamaz.
• Claude Opus 4.8'in hariç tutulması: Opus 4.8, SWE-Bench Pro'da rekor düzeyde %69,2 bildirse de Anthropic'in dahili harness'inde test edildi ve henüz Scale'in SEAL'i tarafından değerlendirilmedi. Veri tutarlılığını korumak için puanını çizmek yerine burada not ediyoruz.

SWE-Bench Pro, Scale SEAL standartlaştırılmış harness'inden alınmıştır. Diğer sütunlar değişen harness'lerde laboratuvar bildirimlidir ve satırlar arasında doğrudan karşılaştırılamaz. Kısa çizgiler doğrulanmış puan bulunmadığı anlamına gelir.

Bu üçü mini-swe-agent harness'inde çalıştı; bu nedenle karşılaştırılabilirliği korumak için dağılım grafiğine dahil edilmediler.

Zekâ yoğunluğu metodolojisi

Panel kapsamı

• Modeller: Şubat 2023 ile Nisan 2026 arasında yayımlanan 71 LLM. 37 modelin standart benchmark puanları, 54 modelin ise gelişmiş benchmark puanları vardır. Tam bir benchmark grubuna sahip olmayan modeller o grubun yoğunluk hesaplamalarından çıkarılır.
• Benchmark'lar: 10 halka açık benchmark; hepsi laboratuvar bildirimli ve birincil kaynağa izlenebilir. Hiçbir benchmark'ı yeniden çalıştırmadık.
• Kaynaklar: Her model için yetenek puanını üç kaynağa bağımsız olarak böldük:
  • Aktif parametreler: Bellek ve sunum maliyeti için bir proxy. Kapalı ağırlıklı laboratuvarlar (OpenAI, Anthropic, Google) parametre sayılarını açıklamadığı için açık ağırlıklı modellerle sınırlıdır.
  • Eğitim hesaplama (FLOP): Eğitim verimliliği için bir proxy. Ayrıca açık ağırlıklı modellerle sınırlıdır. FLOP rakamları çoğunlukla Epoch AI tahminleridir ve yön gösterici olarak okunmalıdır.
  • Inference fiyatı: Bir alıcının API'de gerçekte ödediği fiyat. Yetenek, 3:1 girdi-çıktı oranında milyon token başına harmanlanmış fiyata bölünür. Hem açık hem kapalı modeller katılır çünkü API fiyatlandırması halka açık olarak doğrulanabilir.

Neden iki benchmark grubu?

2024'te yayımlanan modeller, yapay zekâ laboratuvarlarının 2020'den beri kullandığı standart benchmark'ları doyurdu. Frontier modeller bir benchmark'ta %90 veya üzerine ulaştığında test artık güçlü modelleri daha güçlülerden ayıramaz. Laboratuvarlar daha zor benchmark'lar sunarak yanıt verdi.

Bu kaymayı iki nedenden ötürü net bir kopuş olarak ele alıyoruz:

• İlk olarak, kolay ve zor benchmark'ları tek bir yetenek puanında karıştırmak, kolay bir benchmark'taki doymuş puanın zor bir benchmark'taki düşük puanı gizlemesine neden olur. MMLU-Pro'da 85 puan alan bir model, MMLU'da 85 alan birinden daha güçlüdür. İkisini eşdeğer kabul etmek puan aralığını sıkıştırır ve eski benchmark'ları ödüllendirir.
• İkinci olarak, iki setin puan dağılımları farklıdır: standart benchmark'lar üstte kümelenir (çoğu frontier model 85 üzerindedir), gelişmiş benchmark'lar ise daha geniş bir yayılıma sahiptir (en iyi modeller 90 civarında, orta seviye 50 civarında, daha zayıf modeller 30 altındadır). Her ikisini aynı anda z-puanlamak varyans tahminini bozar.

Her grup için yeteneği bağımsız olarak hesaplıyoruz:

• Standart benchmark'lar (2023–2024): MMLU (5-shot), GSM8K (8-shot düşünce zinciri), HellaSwag (10-shot), ARC Challenge (25-shot), HumanEval (0-shot pass@1).
• Gelişmiş benchmark'lar (2024–2026): MMLU-Pro, GPQA Diamond, AIME 2025, LiveCodeBench, SWE-bench Verified.

Standart benchmark'larda 90 puan, gelişmiş benchmark'larda 90 puana eşdeğer değildir. 2024 sonlarından itibaren yayımlanan herhangi bir model için gelişmiş benchmark'lar anlamlı referanstır.

Yetenek formülü

Her b benchmark'ı ve her m modeli için:

Popülasyon standart sapmasını kullanıyoruz (N−1'e değil, N'e böler). Bu, ddof=0 ile orijinal pandas hesaplamasıyla eşleşir ve tek bir yeni model eklenmesinin varyans tahminini geriye dönük olarak kaydırmamasını sağlar.

Daha sonra her benchmark grubunda model başına mevcut z-puanlarının ortalamasını alır ve 0–100 panel göreli puanına min-maks yeniden ölçekleriz.

Yoğunluk formülü

Her yoğunluk görünümü için:

Payda görünüme göre değişir: milyarlarca aktif parametre, 10²⁴'e bölünen eğitim FLOP'u veya milyon token başına harmanlanmış fiyat.

Zincirleme endeks metodolojisi

Makalenin üst kısmındaki iki endeks grafiği (Zekâ Yoğunluğu ve Yetenek), 2023'te 100'e endekslenmiş ve S&P 500 kümülatif getiri biçimini temel alan tek çizgili kümülatif büyümeyi gösterir. Mutlak değerleri çizmek yerine benchmark geçişi boyunca yıllık büyüme oranlarını zincirleriz.

Adım 1. Her benchmark grubu için metriğin yıllık ortalamasını hesaplayın:

Zekâ Yoğunluğu Endeksi için metrik, model başına üç yoğunluk puanının satır bazında ortalamasıdır (Combined Density A veya B). Yetenek Endeksi için metrik, panel göreli yetenek puanıdır (Capability_A veya Capability_B).

Adım 2. Her yıldan yıla geçiş için büyümeyi tek bir benchmark grubu içinde hesaplayın. Her iki yıl da aynı gruptan gelmelidir:

Adım 3. 2023 temel değeri olan 100'den itibaren çarpımsal olarak zincirleyin:

Geçiş başına grup seçimi:

• 2023 – 2024: Standart benchmark'lar (2023'te Gelişmiş'te 1 model vardır; istikrarlı bir ortalama hesaplamak için çok az)
• 2024 – 2025: Gelişmiş benchmark'lar (Standart, 2024 sonlarında doydu; Gelişmiş'te 2024'te 16, 2025'te 27 model vardır)
• 2025 – 2026: Gelişmiş benchmark'lar (Standart, 2026 için raporlanmadı)

Zincirleme endeks, bir grup içindeki yıllar arasında temel popülasyonların karşılaştırılabilir olduğunu varsayar. Panelimiz heterojendir (her yıl farklı modeller ve farklı benchmark kapsamı); bu nedenle zincirlenmiş değerler kesin bir çarpan yerine yön gösteren bir özet olarak okunmalıdır.

Zekâ yoğunluğu ölçümü için temel değerlendirme ilkeleri

• Sektör standardı benchmark'lar: Özel bir benchmark sunmuyoruz.
• Birincil kaynak kullanımı: Her benchmark puanı modelin yayım makalesine, model kartına veya resmî duyurusuna izlenebilir. Birincil kaynağın bir benchmark bildirmediği durumlarda hücre atanmak yerine boş bırakılır.
• Kapsam işaretleri (N): Her model için, her gruptaki yetenek puanına katkıda bulunan benchmark sayısını raporluyoruz. N=1 olan modeller, N=5 olanlardan daha gürültülü bir puan alır. N=1 durumu Qwen 3.6 35B A3B (SWE-bench Verified) ve 2026'daki birkaç kapalı amiral gemisi sürümü için geçerlidir.

Kapalı ağırlıklı modeller için fiyatlandırma kaynakları

Fiyatlandırma, endeksin kohorta en duyarlı kısmıdır. Şu hiyerarşiyi kullanıyoruz:

1. Laboratuvar lansman duyurusu (tercih edilir): Laboratuvarın lansman yazısında, API dokümantasyonunda veya eş zamanlı basın haberlerinde belirtilen fiyat.
2. Artificial Analysis sağlayıcılar arası medyan (ağırlık modelleri için yedek): Birinci taraf API bulunmadığı için üç Llama 3.1 satırında (8B, 70B, 405B) ve GPT-OSS satırlarında kullanıldı.
3. Kapsamı olmayan ağırlıklar: 22 tanesi, 69 satırın dolar başına fiyatı kaydedilmemiş durumda. Bunlar yetenek ve parametre başına grafiklerde görünür ancak dolar başına grafiklerde yoktur.

İki fiyat izini takip ediyoruz: lansman fiyatı (yayımlanma günündeki birinci taraf fiyat) ve yerleşik fiyat (mevcut birinci taraf fiyat veya kullanımdan kaldırılmadan önceki son fiyat). Paneldeki altı model lansmandan sonra yeniden fiyatlandırıldı:

• Gemini 1.5 Pro: $3,50/$10,50'den $1,25/$5,00'ye (Ekim 2024)
• GPT-4o: $5,00/$15,00'den $2,50/$10,00'ye (Ekim 2024)
• Gemini 1.5 Flash: $0,35/$1,05'ten $0,075/$0,30'a (Ağustos 2024)
• Claude 3.5 Haiku: $1,00/$5,00'den $0,80/$4,00'e (Aralık 2024)
• o3: $10,00/$40,00'ten $2,00/$8,00'e (Haziran 2025)

Dolar başına yoğunluk başlığı yerleşik fiyatlandırmayı kullanır. 37 tanesi, 43 fiyatlandırılmış satırda lansman ve yerleşik fiyatlar aynıdır.

Güncelleme sıklığı

Endeksi aylık olarak yeniliyoruz. Her yenileme, önceki aydaki frontier veya dikkate değer her sürüm için yeni model satırları ekler, laboratuvarların fiyatlarını güncellediği yerlerde fiyatlandırmayı günceller, mevcut satırlar için yeni bildirilen benchmark'ları geri doldurur ve tüm panelde z-puanlarını yeniden hesaplar. Yeni model girişleri her benchmark'ın ortalamasını ve standart sapmasını kaydırır; bu nedenle mevcut 0–100 puanları panelle birlikte hareket eder. Tarihsel anlık görüntüler korunur.

Zekâ yoğunluğu değerlendirmesinin sınırlılıkları

• Laboratuvar bildirimli iyimserlik: Benchmark puanları laboratuvarların kendisinden gelir. Bağımsız yeniden çalıştırmalar genellikle 5 ila 13 puan daha düşük gelir. Eğilim çizgileri yön gösterici olarak bilgilendiricidir ancak nokta hassasiyetinde değildir.
• Muhakeme ve muhakeme dışı modlar ayrılmamıştır: 2025 ve 2026'da yayımlanan modeller, matematik ve kodlama puanlarını 5 ila 15 puan değiştirebilen genişletilmiş düşünme anahtarlarını destekler. Belirlenebildiğinde varsayılan mod puanlarını kullanıyoruz.
• Eğitim FLOP rakamları çoğunlukla tahmindir: Az sayıda satırda laboratuvar onaylı FLOP vardır. Geri kalanlar, çoğunlukla Epoch AI aracılığıyla açıklanan parametreler ve eğitim token'larından tahmin edilmiştir.
• Kapalı model parametre sayıları bilinmiyor: Kapalı frontier satırları için parametre başına ve FLOP başına yoğunluk boştur. Kapalı modeller dolar başına yoğunluğa katılır.
• Panel göreli puanlar: Yoğunluk puanları panel içinde min-maks yeniden ölçeklenir. Daha yüksek ham orana sahip yeni bir model, mevcut her modelin 0–100 puanını kaydırır. Panel sürümlerini karşılaştırmak için yeniden ölçeklenmiş puanlar yerine temel ham oranları kullanın.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Zekâ yoğunluğu nedir?

Zekâ yoğunluğu, bir modelin tek bir bellek veya hesaplama birimine ne kadar bilgi ve muhakeme yeteneği sığdırabileceğini değerlendiren yeni bir metriktir. Her parametreyi değer üretmek için ne kadar etkili kullandığını değerlendirerek model mimarisini ölçer.

Bu çerçevede, x ekseni genellikle model parametrelerinin sayısını temsil ederken y ekseni zorlu görevlerdeki performansı izler. Modeller, daha büyük modellerle ilişkilendirilen devasa hesaplama maliyetine gerek kalmadan üstün yetenekler gösterdiğinde yüksek yoğunluk ortaya çıkar. Bu süreç, zekânın yalnızca veri miktarına veya eğitim ölçeğine değil, yazılım ve algoritmaların bu bilgiyi nasıl organize ettiğine bağlı olduğunu kanıtlar.

Önceleri yapay zekâ topluluğu daha yüksek performansa ulaşmak için model parametrelerini ölçeklemeye bel bağlamıştı; bu da devasa, kaynak yoğun sistemlere yol açtı. Odaktaki bu değişimle birlikte, daha küçük modellerden daha fazla zekâ üretmek için ham hacim yerine algoritmik optimizasyon önceliklendirilir.

Zekâ yoğunluğunu ölçmek neden önemlidir?

Verimli sistemler inference süresini ve bellek kullanımını optimize etmelidir. Daha fazla token veya ek hesaplamanın artık önemli kazanımlar sağlamadığı noktayı belirlemek, endüstrinin mevcut büyük dil modellerinin üst sınırlarını anlamasına yardımcı olur. Zekâ yoğunluğunu ölçmenin başlıca nedenleri şöyle özetlenebilir:

• Yapay zekâ topluluğu, aşırı büyük modelleri veri merkezlerinde korumanın uzun vadeli yükünü hafife alıyor.
• Değer yaratma, pratik uygulamalarda çıktı kalitesinin onu üretmek için gereken güce oranına bağlıdır.
• Moore Yasası, donanım için dil modellerinin büyümesini, onları optimize etme biçimimizde karşılık gelen ilerleme olmadan sürdüremez.
• Pekiştirmeli öğrenme ve iyileştirilmiş veri dağılımı, yeni nesil araçların bir zamanlar yalnızca insanlara ayrılmış benchmark'lara ulaşmasını sağlar. Pekiştirmeli öğrenme ve diğer LLM fine-tuning teknikleri hakkında daha fazla bilgi edinin.

Daha büyük modeller yeni sınırları keşfetmek için hâlâ önemli olsa da, bir sistemin yoğunluğu gerçek dünyadaki fiili faydasını belirler. Bu bağlam, zekâyı yalnızca boyutun bir yan ürünü olarak değil, eğitimin yoğunlaştırılmış bir sonucu olarak görmeye yardımcı olur.

İleri okuma

Zekâ yoğunluğu LLM'leri karşılaştırmanın bir yoludur. Diğer boyutlar ayrı analizlerde ele alınmaktadır:

• Gecikme benchmark'ları: İlk token'a kadar geçen süre ve saniye başına token'lar için LLM gecikme benchmark'ına bakın.
• Görev bazlı benchmark'lar: Finans muhakemesi için finans LLM benchmark'ına bakın. Kodlama için yapay zekâ kodlama benchmark'ına bakın.

Bu benchmarkı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{simsek2026,
  author = {Şimşek, Hazal},
  title  = {{Daha Akıllı ve Daha Yoğun Modeller için 71 LLM'in Zekâ Yoğunluğu}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/intelligence-density}},
  note   = {AIMultiple. Erişim tarihi: 23 Ekim 2026}
}

Değişiklik günlüğü

3 güncelleme

2026

1. 7 Tem

   Ajan tabanlı karşılaştırma lider tablosuna Claude Fable 5 ve GLM 5.2 eklendi.

2. 6 Tem

   Zeka yoğunluğu kaynak metriği olarak eğitim hesaplaması (FLOP) kaldırıldı.

3. 15 Haz

   Zeka yoğunluğu sonuçları yorumu, hesaplama metodolojisi ve 2024-2025 taban değerlerine ilişkin uyarılarla değiştirildi.

Hazal Şimşek

Endüstri Analisti

Takip Et

Hazal, AIMultiple'da süreç zekası (süreç madenciliği dahil) ve kurumsal otomasyon (BT otomasyonu ve düşük kodlu/kodsuz otomasyon dahil) konularına odaklanan bir endüstri analistidir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder