GPT-6.1 Terra eklendi
AIM LLM Index'teki en yeni model GPT-6.1 Terra.
AIM LLM Index
v1.105 kamuya açık karşılaştırmayı AIMultiple'ın 4 agentic, RAG ve kurumsal muhakeme değerlendirmesiyle birleştiren tek ve şeffaf bir endeks. Daha fazla ayrıntı için AIM LLM Index Methodology bölümüne bakın.
EN İYİ MODEL
Claude Opus 5.5
Endeks 78
EN İYİ DEĞER
GPT-6.1 Terra
$2.00 / 1M
EN HIZLI MODEL
Muse Spark Open
0.31s TTFT
Görev Başına Maliyet ve Skor
Benchmarklar genelinde bir görevin ortalama maliyeti ve LLM Endeksi
*Her modelin görev başına maliyeti, 7 benchmark üzerinden eşit ağırlıkla ortalandı (MMMU-Pro hariç, çok az modeli kapsıyor). Yalnızca hepsinde maliyeti olan modeller gösterilir. ~ işareti, ortalamada tahmini bir maliyet olduğunu gösterir.
AIM LLM Index
Liderlik Tablosu
Tüm benchmark'larda en yüksek puan alan modeller.
Filter & Sort
# | Model | Endeks | 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 |
Sayfa 1 / 3
Maliyet$8.00
Gecikme3.15s
Bağlam1M
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
Maliyet$20.00
Gecikme3.90s
Bağlam1M
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
Maliyet$4.00
Gecikme3.50s
Bağlam1M
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
Maliyet$4.00
Gecikme1.27s
Bağlam1M
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
Maliyet$20.00
Gecikme3.33s
Bağlam1M
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
Maliyet$4.00
Gecikme4.98s
Bağlam1M
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
Maliyet$2.00
Gecikme2.02s
Bağlam1M
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
Maliyet$8.00
Gecikme35.22s
Bağlam1M
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
Maliyet$4.00
Gecikme2.46s
Bağlam1M
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
Maliyet$4.00
Gecikme49.60s
Bağlam1M
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
Sayfa 1 / 3
Model Çıkış Zamanları
Model yayın tarihine göre LLM Endeksi
Model × Karşılaştırma
Seçili karşılaştırmalarda önde gelen modeller
Maliyet ve Performans
Harmanlanmış maliyete karşı LLM Endeksi
AIM LLM Index Methodology
Bir modelin endeks puanı, aşağıdaki benchmark'lardaki sonuçlarının ortalamasıdır. Zaten 0-100 ölçeğinde olan puanlar olduğu gibi kullanılır; diğerleri 0-100'e yeniden ölçeklenir. Modelin eksik olduğu bir benchmark sıfır sayılmaz, hesaba katılmaz ve her benchmark eşit ağırlık taşır. Bir modelin sıralamaya girmesi için en az 2 AIMultiple benchmark'ında puanı olması gerekir. MMMU-Pro sonuçları 2 ayrı kaynaktan gelir.
Kullandığımız kıyaslamalar
AIMultiple
AIM-Agentic-RAG11 veri tabanı üzerinde çoklu veri tabanı yönlendirmesi ve SQL sorgusu üretimi (BIRD-SQL, 759 soru).AIMultiple
AIM-AI-BiasÇoktan seçmeli yanlılık değerlendirmesi: 12 yanlılık kategorisinde 64 soru, her biri iki koşuda (v1 ve v2) 5'er kez soruldu, 109 model. Skor, yanlı olmayan şıkkı seçen cevapların oranının iki koşudaki ortalamasıdır.AIMultiple
AIM-FinanceReasoning238 zor FinanceReasoning sorusunda çok adımlı, karmaşık finansal muhakeme.AIMultiple
AIM-Text-to-SQL35'ten fazla LLM'de doğal dilden SQL sorgusu üretme doğruluğu.Kamuya Açık
CritPtCok adimli turetme gerektiren arastirma duzeyinde fizik problemleri.Kamuya Açık
FrontierMathUzmanlarca hazırlanmış, yayımlanmamış araştırma düzeyi matematik problemleri (1–4. seviyeler).Kamuya Açık
MMMU-ProDisiplinler arasi universite duzeyinde cok kipli anlama; yalnizca metinle cozmeye karsi sertlestirilmis.Kamuya Açık
SciCodeFizik, matematik, biyoloji ve kimyada araştırma düzeyinde bilimsel kodlama (338 alt problem)Kamuya Açık
Terminal-Bench 4.0Guncel Terminal-Bench kusagi: ajan tabanli terminal gorevleri, cozum orani ile puanlanir.Tüm verileri indir
Bu endeksin dayandığı AIMultiple benchmark'larından 73.9 bin veri noktasının ham sonuçları. Bunları 4 CSV dosyası ve bir README içeren ZIP dosyası olarak indirin.
Son güncelleme: 30 Ekim 2026
İndirArkasındaki ayrıntılı veriyi ister misiniz? Premium'a katılın
Değişiklik günlüğü
62 güncelleme- v1.10
2 model AIM LLM Index'e girdi: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
113 model veri setine eklendi: Claude 3 Haiku, Claude Opus 4.7 (max), Command A, DeepSeek R1 (Jan), DeepSeek R1 0528 Qwen3 8B ve 108 tane daha.
- v1.10
Qwen3.6 35B A3B veri setine eklendi.
- v1.10
3 model AIM LLM Index'e girdi: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
3 model veri setine eklendi: GPT-6.1 Terra, Kimi K3.1 Pro, MiniMax M3.1 Flash.
- v1.10
2 model veri setine eklendi: DeepSeek V4.1 Flash 1017, Muse Spark Open.
- v1.10
Muse Wonder AIM LLM Index'e girdi.
- v1.10
Muse Wonder veri setine eklendi.
- v1.10
Gemini 4 Argon AIM LLM Index'e girdi.
- v1.10
Gemini 4 Argon veri setine eklendi.
LLM Yayın Zaman ÇizelgesiYapay zeka inovasyonunun hızı
Yapay Zeka Laboratuvarları
Gemini 3.8 Flash Lite TTS +1 dahaGemini 3.8 Flash Lite TTSGemini 3.8 Flash TTS
23 EylGemini 3.5 Transcribe
25 EylNano Banana 2.1
06 EkiGemini 4 Argon
13 EkiGemini Omni 1.1 Flash
04 KasGemini Omni 1.2 Flash
05 KasGPT Image 2.5 Flare +1 dahaGPT Image 2.5 FlareGPT Image 2.5 Sunburst
09 EylGPT-6 Luna +1 dahaGPT-6 LunaGPT-6 Sol
22 EylGPT-6.1 Sol
29 EylGPT-6 Luna Decisions
06 EkiGPT-6.1 Terra
26 EkiGPT Image 2.6 Flare +1 dahaGPT Image 2.6 FlareGPT Image 2.6 Sunburst
04 Kas
GLM 5.3 FlashX
18 EylGLM 5.3 Prime
23 EylGLM 5.3 FlashX Legal
02 KasKimi K3.1 Pro
23 Eki
MiniMax M3.1 Flash
19 Eki
DeepSeek V4.1 Flash
10 EylDeepSeek V4.1 Flash 1017
17 Eki
Qwen3.8 Omni Flash
21 EylQwen3.8 Max Prime
23 EylQwen Image 2.1 Pro +1 dahaQwen Image 2.1 ProQwen Image 2.1 Turbo
16 EkiMuse Voice Transcribe 1.0
11 EylMuse Wonder
12 EkiMuse Spark Open
15 Eki
Solar Mini 4
23 EylSolar Decide
28 EylSolar Decide Flash
08 EkiClaude Opus 5.5
22 EylClaude Sonnet 5.5
28 EylClaude Haiku 5.5
07 Eki
Grok 4.7
21 EylGrok Imagine Video 1.5 Lite
06 Eki
MiMo-V2.6-Flash +2 dahaMiMo-V2.6-FlashMiMo-V2.6-ProMiMo-V2.6-Pro-UltraSpeed
21 EylLLM Kullanım Durumları, Analizler ve Ölçümler Keşfedin
AI Gateway'ler OpenAI için: OpenRouter Alternatifleri
LLMKıyaslama7 KasOpenRouter, SambaNova, TogetherAI, Groq ve AI/ML API'yi üç gösterge (ilk token gecikmesi, toplam gecikme ve çıktı token sayısı) açısından, toplam gecikme için kısa prompt'lar (yaklaşık 18 token) ve uzun prompt'lar (yaklaşık 203 token) kullanan 300 test ile benchmark ettik. Bu AI gateway'lerinden birini kullanmayı planlıyorsanız şunları yapabilirsiniz: Bu benchmark'ta, OpenRouter, SambaNova, TogetherAI, Groq ve AI/ML…
- LLMÖzellik Karşılaştırması5 Kas
LLM Fiyatlandırması: En İyi 15+ Sağlayıcı Karşılaştırması
Mart 2023'teki GPT-3.5 Turbo’dan en son sürümlere kadar 160'tan fazla LLM'nin lansman fiyatlarını boyut sınıfına göre gruplandırarak takip ediyoruz. Ayrıca mevcut model'lerin API fiyatlarını benchmark sonuçlarıyla karşılaştırıyor ve büyük sağlayıcıların abonelik planlarını inceliyoruz. Fiyatlar milyon token başınadır; üç birim girdiye karşılık bir birim çıktı olacak şekilde harmanlanmıştır ve süre sınırlı promosyonları içermez. Açık ağırlıklı model'lerin…
- LLMİçgörü5 Kas
LLM Pazar Payı: Kullanım ve Benimsemeyi Karşılaştırın
LLM pazar payını, kullanım tabanlı verilerle web ziyareti tahminlerini birleştirerek analiz ettik; böylece büyük dil modellerine yönelik talebin yapay zeka laboratuvarları ve yapay zeka uygulamaları arasında nasıl dağıldığını gösteriyoruz. Bu sonuçları nasıl ölçtüğümüzü ve hesapladığımızı görmek için metodolojiyi okuyun. ABD, dört ay boyunca web ziyaretlerinde açık ara öndeydi ve sürekli olarak 90–%95 oranını oluşturdu. Bu,…
- LLMKıyaslama5 Kas
LLM Kullanım Durumlarına Göre Gecikme Kıyaslaması
Gecikmeyi nasıl ölçtüğümüze ilişkin ayrıntıları burada bulabilirsiniz. Akıl yürüten ve yürütmeyen modelleri ayrı ayrı raporluyoruz. Akıl yürüten modeller ilk görünür yanıt öncesinde birkaç saniye düşünür; bu yüzden onları gecikme açısından doğrudan akıl yürütmeyen modellerle karşılaştırmak yanıltıcı olur. Bazı modeller göreve göre davranış da değiştirir: GPT-5.2 soru-cevapta akıl yürütmeden yanıt verir, ancak kodlama prompt'larında akıl yürütür.…
- LLMÖzellik Karşılaştırması3 Kas
Sağlık Hizmetlerinde 9 Büyük Dil Modelini Karşılaştırın
MedQA dataset'ini kullanarak 9 LLM'i benchmark ettik; bu, USMLE sorularından türetilen lisansüstü düzeyde bir klinik sınav benchmark'ıdır. Her model, standart bir prompt kullanarak aynı çoktan seçmeli klinik senaryoları yanıtladı; bu da doğrulukların doğrudan karşılaştırılmasını sağladı. Ayrıca, toplam çalışma süresini tamamlanan MedQA öğesi sayısına bölerek soru başına gecikme süresini kaydettik. Benchmark metodolojisi: Bu benchmark, sağlık hizmetlerindeki…
- LLMKıyaslama3 Kas
Finans Alanında 90+ LLM'ler: Claude Opus 5.5 & Gemini 4 Argon
Test seti, 238 sorudan oluşan FinanceReasoning kıyaslamasının (Tang ve diğerleri) zor alt kümesidir. Doğruluk, doğru yanıtlanan soruların yüzdesidir. Sayısal yanıtlara %0,2 göreli tolerans uygulanır. Çıktı token'ları, 238 yanıt boyunca üretilen token'lardır. Girdi token'ları maliyet hesaplamasında ayrıca sayılır. Maliyet, maliyet analizimizde kaydedilen token sayıları ve ücretleri kullanılarak soru-yanıtlama çalışması için hesaplanan USD harcamadır. Bazı girdi sayıları…
- LLMKıyaslama3 Kas
AIM-Text-to-SQL Benchmark: SQL Doğruluğu 70+ LLM Genelinde
SQL doğruluğu, puanlanan sorgulardan referans sonucu döndürenlerin yüzdesidir. Yanlış rotalar ve bozuk olarak işaretlenen referanslar hariç tutulur. Referans sorgu, beklenen yanıt olarak sağlanan SQL ifadesidir. Her model, puanlama veritabanı seçimlerine bağlı olduğu için farklı bir SQL soru kümesine ulaşır. Bu alt kümelerdeki ve çalıştırma kurulumundaki farklılıklar karşılaştırmaları sınırlar. claude-opus-5.5 444/506 puanlanan soruda referans sonucu eşleştirdi.…
- LLMİçgörü2 Kas
LLM Parametreleri: Türler, Ölçekleme, İnce Ayar Rehberi
Parametre sayısı, büyük bir dil modelinin en çok alıntılanan özelliklerinden biridir; ancak bir modelin ne kadar iyi performans gösterdiğini veya çalıştırmanın ne kadara mal olduğunu belirlemez. Aşağıdaki grafik, 31 modeli LLM Endeksi puanına ve yedi benchmark'taki görev başına ortalama maliyetine göre karşılaştırır. Dört model, hiçbir başka modelin daha düşük maliyetle daha yüksek puan sunmadığı Pareto…
Filtreler