Kimi K3 eklendi
AIMultiple Zeka Endeksindeki en yeni model Kimi K3.
LLM Karşılaştırmaları
Kamuya açık karşılaştırmaları AIMultiple'ın kendi agentic, RAG ve kurumsal muhakeme değerlendirmeleriyle birleştiren tek ve şeffaf bir Zeka Endeksi. Metodolojiyi inceleyin.
EN İYİ MODEL
Claude Fable 5
Endeks 92
En iyi değer
MiniMax M3
$0.42 / 1M
En hızlı
GPT OSS 120B
0.23s TTFT
Kapsam
64 model
8 karşılaştırma · 336 değerlendirme
AIMultiple Zeka Endeksi
Liderlik Tablosu
Tüm benchmark'larda en yüksek puan alan modeller.
Filter & Sort
# | Model | Endeks | 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 | - |
Sayfa 1 / 7 | ||||||||||
Maliyet$20.00
Gecikme4.02s
Bağlam1M
TTFT4.02s
LegalBench
89
FinanceReasoning
90
Text-to-SQL
90
Agentic RAG
98
Agentic LLM Benchmark
69
Maliyet$6.00
Gecikme2.93s
Bağlam1M
TTFT2.93s
LegalBench
86
FinanceReasoning
88
Text-to-SQL
77
Agentic RAG
93
Agentic LLM Benchmark
73
Maliyet$11.25
Gecikme4.31s
Bağlam1M
TTFT4.31s
LegalBench
87
FinanceReasoning
90
Text-to-SQL
74
Agentic RAG
87
ARC-AGI-2
93
Agentic LLM Benchmark
62
Maliyet$3.00
Gecikme7.25s
Bağlam500k
TTFT7.25s
LegalBench
86
FinanceReasoning
88
Text-to-SQL
79
Agentic RAG
83
Agentic LLM Benchmark
73
Maliyet$11.25
Gecikme0.70s
Bağlam272k
TTFT0.70s
LegalBench
87
ARC-AGI-2
85
Agentic LLM Benchmark
59
Maliyet$4.50
Gecikme1.62s
Bağlam1M
TTFT1.62s
LegalBench
85
FinanceReasoning
87
Text-to-SQL
71
Agentic RAG
91
ARC-AGI-2
84
Agentic LLM Benchmark
61
Maliyet$11.25
Gecikme11.11s
Bağlam1M
TTFT11.11s
FinanceReasoning
91
Text-to-SQL
79
Agentic RAG
96
Agentic LLM Benchmark
54
Maliyet$10.00
Gecikme1.71s
Bağlam1M
TTFT1.71s
FinanceReasoning
88
Text-to-SQL
68
Agentic RAG
80
ARC-AGI-2
69
Agentic LLM Benchmark
72
Maliyet$4.50
Gecikme-
Bağlam1M
TTFT
LegalBench
87
FinanceReasoning
86
Text-to-SQL
60
Agentic RAG
89
ARC-AGI-2
31
Maliyet$4.50
Gecikme22.02s
Bağlam1M
TTFT22.02s
LegalBench
87
FinanceReasoning
87
Text-to-SQL
65
Agentic RAG
89
ARC-AGI-2
77
Agentic LLM Benchmark
46
FrontierMath
27
Sayfa 1 / 7
Model Çıkış Zamanları
Model yayın tarihine göre Zeka Endeksi
Maliyet ve Performans
Harmanlanmış maliyete karşı Zeka Endeksi
Model × Karşılaştırma
Seçili karşılaştırmalarda önde gelen modeller
Metodoloji
Endeks Nasıl Oluşturulur
Zeka Endeksi her karşılaştırmayı 0-100 ölçeğine normalize eder ve modelin değerlendirildiği karşılaştırmalardaki göreli konumunun ortalamasını alır. Aşağıdaki her karşılaştırma bu puanı besler.
AIMultiple
FinanceReasoning238 zor FinanceReasoning sorusunda çok adımlı, karmaşık finansal muhakeme.AIMultiple
Text-to-SQL35'ten fazla LLM'de doğal dilden SQL sorgusu üretme doğruluğu.AIMultiple
Agentic RAG5 veri tabanı üzerinde çoklu veri tabanı yönlendirmesi ve SQL sorgusu üretimi (BIRD-SQL, 500 soru).AIMultiple
AI MemoryUzun bağlamda, belgenin farklı konumlarından sayısal bilgi çekme (100 öğe, 14 transkript).AIMultiple
AI HallucinationUzun bağlamlı belgelerde geçmeyen metrikleri uydurmaya karşı direnç (204 tuzak, 14 transkript).Kamuya Açık
Humanity's Last Exam100'den fazla akademik alanda uzman düzeyinde, kaynak kullanmadan muhakeme (2,5 bin soru).Kamuya Açık
SciCodeFizik, matematik, biyoloji ve kimyada araştırma düzeyinde bilimsel kodlama (338 alt problem)Kamuya Açık
LegalBenchHukuk profesyonellerinin oluşturduğu 162 görevde kitle kaynaklı hukuki muhakeme.Kamuya Açık
FrontierMathUzmanlarca hazırlanmış, yayımlanmamış araştırma düzeyi matematik problemleri (1–4. seviyeler).Kamuya Açık
ARC-AGI-2Ezberi değil genellemeyi ölçen özgün görsel muhakeme bulmacaları.Kamuya Açık
Swe-BenchUçtan uca çözülen gerçek GitHub issue'ları (2.294 örneklik tam set).Kamuya Açık
LiveCodeBenchKontaminasyondan arındırılmış, sürekli güncellenen yarışma programlama problemleri.AIMultiple
Agentic LLM BenchmarkCLI aracı üzerinden 10 yazılım geliştirme görevinde ajanik kodlama (~3.500 doğrulama adımı).Son Güncellemeler
Son Güncellemeler
Zeka Endeksi, model kapsamı ve AIMultiple karşılaştırma metodolojisindeki en son değişiklikler.
Moonshot AI
Kimi K3
AIMultiple Zeka Endeksine yeni eklenen model.
OpenAI
GPT-5.6 Sol
AIMultiple Zeka Endeksine yeni eklenen model.
OpenAI
GPT-5.6 Terra
AIMultiple Zeka Endeksine yeni eklenen model.
OpenAI
GPT-5.6 Sol Pro
AIMultiple Zeka Endeksine yeni eklenen model.
LLM Kullanım Durumları, Analizler ve Ölçümler Keşfedin
LLM
İçgörü
17 AğuBüyük Multimodal Modeller (LMM'ler) ve LLM'ler
Büyük Multimodal Modellerin (LMM'lerin) finansal akıl yürütme görevlerindeki performansını özenle seçilmiş bir dataset kullanarak değerlendirdik. Yüksek kaliteli finansal örneklerin bir alt kümesini analiz ederek modellerin finans alanındaki multimodal verileri işleme ve bunlar üzerinde akıl yürütme yeteneklerini değerlendiriyoruz. Metodoloji bölümü, kullanılan dataset ve değerlendirme çerçevesi hakkında ayrıntılı bilgiler sunar. Büyük multimodal modelleri keşfedin ve bunları büyük…
LLM
Özellik Karşılaştırması
17 AğuSağlık Hizmetlerinde 9 Büyük Dil Modelini Karşılaştırın
9 LLM'ler MedQA veri kümesini kullanarak kıyasladık; bu, USMLE sorularından türetilen lisansüstü düzey klinik sınav kıyaslama ölçütüdür. Her model, standartlaştırılmış bir prompt kullanarak aynı çoktan seçmeli klinik senaryoları yanıtladı ve doğrulukların doğrudan karşılaştırılmasını sağladı. Ayrıca, toplam çalışma süresini tamamlanan MedQA öğe sayısına bölerek soru başına gecikmeyi de kaydettik. Kıyaslama metodolojisi: Bu kıyaslama, sağlık hizmetlerindeki LLM'lerin…
LLM
Kıyaslama
16 AğuDaha Akıllı ve Daha Yoğun Modeller için 71 LLM'nin Zeka Yoğunluğu
Şubat 2023 ile Mayıs 2026 arasında yayımlanan 71 LLM'yi izledik ve zeka yoğunluğunu ölçmek için 10 halka açık benchmark topladık. Yetkinlik puanını, modelin tükettiği kaynağa (aktif parametreler, eğitim hesaplama gücü ve inference fiyatı) böldük. Zeka yoğunluğunu hesaplamak için şu adımları uyguladık: Puanlama yaklaşımı ve kaynak bazında dağılımlar için metodoloji bölümüne bakın. 2026 ortasına gelindiğinde yapay…
LLM
İçgörü
14 Ağu50+ ChatGPT Kullanım Alanları ve Gerçek Hayat Örnekleri
ChatGPT, 2026'nın başlarında dünya nüfusunun kabaca %10'ine denk gelen yaklaşık 1 milyar haftalık aktif kullanıcıya ulaştı.1 OpenAI, CFO Sarah Friar tarafından doğrulanan 2025 yılı yıllık gelirinde $20 milyar eşiğini aştı.2 Anthropic Ekonomik Endeksi ikikullanım modunu ayırt eder: insanın yapay zeka ile etkileşime girdiği artırım ve yapay zekanın görevleri bağımsız olarak tamamladığı otomasyon. Tüketici kullanımı %52…
LLM
Kıyaslama
14 AğuFinans Alanında 40+ LLM Karşılaştırması: Claude Fable 5 ve GPT-5.6 Sol
Finans alanında 40+ LLM'i, hangi modellerin tablo analizi, tahminleme ve oran hesaplamaları gibi karmaşık finansal muhakeme görevlerinde üstün performans gösterdiğini belirlemek için FinanceReasoning karşılaştırma testindeki 238 zor soru üzerinde değerlendirdik. LLM'leri FinanceReasoning karşılaştırma testindeki (Tang ve diğerleri) 238 zor soru üzerinde değerlendirdik.1 Bu alt küme, finansal kavramları ve formülleri içeren karmaşık, çok adımlı nicel muhakemeyi…
LLM
Kıyaslama
14 AğuAIM Enterprise: Ajanik Kurumsal Benchmark
Kurumlar düzenli görevleri için her gün LLM'ler kullanıyor. En maliyet etkin LLM'leri bulmak için, farklı kategorilerde 69 kurumsal görevi kullandığımız ajansal bir kurumsal benchmark olan AIM Enterprise'ı tasarladık. Her model her görev için bir dosya teslim etti. Puanlar görelidir: jüriler her yanıtı aynı görevdeki diğer yanıtlara göre sıralar, bu nedenle ortalama puan tasarım gereği 50'dir.…
LLM
İçgörü
13 AğuLLM Ölçekleme Yasaları: Yapay Zeka Araştırmacılarından Analiz
Büyük dil modelleri, metin verilerinden öğrenilen kalıplara dayanarak bir sonraki token'ı tahmin eder. LLM ölçekleme yasaları terimi, model performansını eğitim sırasında kullanılan hesaplama miktarı, eğitim verisi ve model parametreleriyle ilişkilendiren deneysel düzenlilikleri ifade eder. Bu ilişkilerin pratikte modern model tasarımını nasıl etkilediğini anlamak için 8 akademik makaleden bulguları ve 3 büyük yapay zeka laboratuvarı ile…
LLM
İçgörü
13 AğuLLM Gözlemlenebilirlik Araçları: Weights & Biases, Langsmith
LLM uygulamaları, tek turlu sohbetlerden araçları kullanan, veritabanlarını sorgulayan ve diğer modellerle koordine olan çok adımlı ajanlara doğru genişledi; bu da davranışlarını yorumlamayı zorlaştırıyor. LLM gözlemlenebilirliği, bu karmaşık iş akışlarına sürekli görünürlük sağlayarak kuruluşların kaliteyi izlemesine, hataları tespit etmesine, sorunları gidermesine ve performans ile maliyetleri yönetmesine yardımcı olur. W&B Weave, Weights & Biases'in LLM gözlemlenebilirlik…
LLM
İçgörü
12 AğuMüşteri Hizmetleri için ChatGPT: En İyi 10 Kullanım Alanı
ChatGPT, müşteri hizmetlerinde yenilik olmaktan çıkıp altyapıya dönüştü. Şirketler yanıt sürelerini kısaltmak, ekiplerinin karşılayamayacağı hacimleri yönetmek ve rutin etkileşimlerin maliyetini düşürmek için kullanıyor. Ancak sonuçlar, nasıl uygulandığına bağlı olarak keskin biçimde değişiyor. OpenAI piyasaya sürdü GPT-5.6'yı, önemli ölçüde daha yetenekli bir model ki bu model talimat takibinde, uzun bağlamlarda akıl yürütmede ve doğru, markaya uygun…
LLM
Kıyaslama
12 AğuLLM Kullanım Durumlarına Göre Gecikme Karşılaştırması
En iyi 11 büyük dil modelini toplam 1.320 istek ile test ettik, akıl yürüten ve akıl yürütmeyen modelleri birbirinden ayırdık ve ilk token gecikmesini, token başına gecikmeyi ve toplam yanıt süresini ölçtük. Gecikmeyi nasıl ölçtüğümüze dair ayrıntıları burada bulabilirsiniz. Akıl yürüten ve akıl yürütmeyen modelleri ayrı olarak raporluyoruz. Akıl yürüten modeller, ilk görünür yanıttan önce…