Gemini 4 Argon eklendi
AIM LLM Index'teki en yeni model Gemini 4 Argon.
AIM LLM Index
Kamuya açık karşılaştırmaları AIMultiple'ın kendi agentic, RAG ve kurumsal muhakeme değerlendirmeleriyle birleştiren tek ve şeffaf bir endeks. Endeks Nasıl Oluşturulur
EN İYİ MODEL
Claude Opus 5.5
Endeks 78
En iyi değer
GPT-6.1 Sol
$4.00 / 1M
En hızlı
DeepSeek V4 Flash 0731
0.37s TTFT
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 | 70 | 94 | - | 91 | 79 | 27 | 78 | - | 62 | 57 |
| 7 | GPT-6 Sol OpenAI | 70 | 82 | 97 | 89 | 54 | 31 | 90 | 83 | 58 | 44 |
| 8 | Claude Opus 5 Anthropic | 68 | 85 | 81 | 90 | 64 | 29 | 73 | 84 | 56 | 49 |
| 9 |  Muse Wonder Meta | 64 | 86 | - | 92 | 56 | 28 | 71 | - | 60 | 52 |
| 10 | Muse Spark 1.3 Meta | 62 | 77 | 95 | 89 | 49 | 26 | 46 | 82 | 60 | 33 |
Sayfa 1 / 4
Maliyet$8.00
Gecikme3.05s
Bağlam1M
TTFT3.05s
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
Gecikme6.48s
Bağlam1M
TTFT6.48s
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
Gecikme3.15s
Bağlam1M
TTFT3.15s
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
Gecikme1.34s
Bağlam1M
TTFT1.34s
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
Gecikme2.95s
Bağlam1M
TTFT2.95s
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
Gecikme4.70s
Bağlam1M
TTFT4.70s
AIM-Agentic-RAG
94
AIM-FinanceReasoning
91
AIM-Text-to-SQL
79
CritPt
27
FrontierMath
78
SciCode
62
Terminal-Bench 4.0
57
Maliyet$4.00
Gecikme2.76s
Bağlam1M
TTFT2.76s
AIM-Agentic-RAG
82
AIM-AI-Bias
97
AIM-FinanceReasoning
89
AIM-Text-to-SQL
54
CritPt
31
FrontierMath
90
MMMU-Pro
83
SciCode
58
Terminal-Bench 4.0
44
Maliyet$10.00
Gecikme3.16s
Bağlam1M
TTFT3.16s
AIM-Agentic-RAG
85
AIM-AI-Bias
81
AIM-FinanceReasoning
90
AIM-Text-to-SQL
64
CritPt
29
FrontierMath
73
MMMU-Pro
84
SciCode
56
Terminal-Bench 4.0
49
Maliyet$8.00
Gecikme51.49s
Bağlam1M
TTFT51.49s
AIM-Agentic-RAG
86
AIM-FinanceReasoning
92
AIM-Text-to-SQL
56
CritPt
28
FrontierMath
71
SciCode
60
Terminal-Bench 4.0
52
Maliyet$2.00
Gecikme70.63s
Bağlam1M
TTFT70.63s
AIM-Agentic-RAG
77
AIM-AI-Bias
95
AIM-FinanceReasoning
89
AIM-Text-to-SQL
49
CritPt
26
FrontierMath
46
MMMU-Pro
82
SciCode
60
Terminal-Bench 4.0
33
Sayfa 1 / 4
Model Çıkış Zamanları
Model yayın tarihine göre LLM Endeksi
Maliyet ve Performans
Harmanlanmış maliyete karşı LLM Endeksi
Model × Karşılaştırma
Seçili karşılaştırmalarda önde gelen modeller
Endeks Nasıl Oluşturulur
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.
Kullandığımız kıyaslamalar
AIMultiple
AIM-Agentic-RAG5 veri tabanı üzerinde çoklu veri tabanı yönlendirmesi ve SQL sorgusu üretimi (BIRD-SQL, 500 soru).AIMultiple
AIM-AI-BiasPer model per question per repetition bias evaluation results across 64 questions in both multiple choice and open ended formats, 27 models in the multiple choice condition and 26 in the open ended conditionAIMultiple
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.Son Güncellemeler
AIM LLM Index, model kapsamı ve AIMultiple karşılaştırma metodolojisindeki en son değişiklikler.
Google
Gemini 4 Argon
AIM LLM Index'e yeni eklenen model.
Meta
Muse Wonder
AIM LLM Index'e yeni eklenen model.
Anthropic
Claude Haiku 5.5
AIM LLM Index'e yeni eklenen model.
OpenAI
GPT-6.1 Sol
AIM LLM Index'e yeni eklenen model.
LLM Yayın Zaman ÇizelgesiYapay zeka inovasyonunun hızı
Yapay Zeka Laboratuvarları
DeepSeek V4 Flash Vision Exp
21 AğuDeepSeek V4.1 Flash
10 EylDeepSeek V4.1 Flash 1017
17 EkiMuse Spark 1.2 Contributor
21 AğuMuse Spark 1.3 +1 dahaMuse Spark 1.3Muse Spark 1.3 Contributor
02 EylMuse Wonder
12 EkiMuse Spark Open
15 EkiGemini 3.8 Flash
02 EylNano Banana 2.1
06 EkiGemini 4 Argon
13 EkiClaude Fable 5.1
01 EylClaude Opus 5.5
22 EylClaude Sonnet 5.5
28 EylClaude Haiku 5.5
07 EkiGPT-6 Astra
04 EylGPT-6 Luna +1 dahaGPT-6 LunaGPT-6 Sol
22 EylGPT-6.1 Sol
29 Eyl
Solar Mini 4
23 EylSolar Decide
28 Eyl
Qwen3.8 Flash
26 AğuQwen3.8 Max (0902)
03 EylQwen3.8 Omni Flash
21 EylQwen3.8 Max Prime
23 Eyl
GLM 5.3 Flash
26 AğuGLM 5.3 FlashX
18 EylGLM 5.3 Prime
23 Eyl
Grok 4.7
21 Eyl
MiMo-V2.6-Flash +2 dahaMiMo-V2.6-FlashMiMo-V2.6-ProMiMo-V2.6-Pro-UltraSpeed
21 EylLLM Kullanım Durumları, Analizler ve Ölçümler Keşfedin
LLM
İçgörü
6 Eki50+ 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. OpenAI, CFO Sarah Friar tarafından doğrulanan 2025 yılı yıllık gelirinde $20 milyar eşiğini aştı. 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
6 EkiSiber Güvenlikte Büyük Dil Model'leri
7 büyük dil model'ini 9 siber güvenlik alanında, güvenlik görevleri için geniş ölçekli ve çok formatlı bir kıyaslama olan SecBench'i kullanarak değerlendirdik. Her model'i, veri güvenliği, kimlik ve erişim yönetimi, ağ güvenliği, zafiyet yönetimi ve bulut güvenliğini kapsayacak şekilde 44.823 çoktan seçmeli soru (MCQ) ve 3.087 kısa yanıtlı soru (SAQ) üzerinde test ettik. MCQ'lar (Çoktan…
LLM
Özellik Karşılaştırması
6 EkiLLM 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…
LLM
Kıyaslama
30 EylOpenAI için AI Ağ Geçitleri: OpenAI: OpenRouter Alternatifleri
OpenRouter, 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 ağ geçitlerinden birini kullanmayı planlıyorsanız şunları yapabilirsiniz: Bu benchmark'ta OpenRouter, SambaNova, TogetherAI, Groq ve…
LLM
İçgörü
21 EylLLM Kendi Kendine Barındırma için VRAM Hesaplayıcı
Bir LLM'yi kendi kendine barındırmak, çıkarımı operatörün kontrol ettiği donanımda, üçüncü taraf bir API aracılığıyla değil, çalıştırmak anlamına gelir; bu da maliyeti, veri kontrolünü ve gizlilik profilini değiştirir. Bir modelin hiç çalışıp çalışmayacağı belleğe bağlıdır. Hesaplayıcı, modele, hassasiyetine, bağlam uzunluğuna ve hedef donanıma bağlı olarak bir modelin yerel olarak çalıştırılması için gereken VRAM veya birleşik…
LLM
Kıyaslama
18 EylAgentic IT: Yapay Zeka Ajanları Bir Benchmark Tasarlayabilir mi?
16 model'i text-to-SQL ve araç çağırma alanında bir benchmark tasarımında test ettik. Her model konu başına bir benchmark oluşturdu; toplam 32 gönderim oldu. Hiçbir gönderim tüm rubrik ölçütlerini geçemedi. Ajanlar testleri oluşturup çalıştırabildi ancak hiçbiri kendi puanlayıcısına ait hem boş-yanıt testini hem de doğru-yanıt testini gösteremedi. Text-to-SQL, sade bir dille yazılmış soruyu bir veritabanı sorgusuna…
LLM
Kıyaslama
17 EylAIM Enterprise: Otonom Kurumsal Benchmark
Kuruluşlar düzenli görevleri için her gün LLM'ler kullanır. En maliyet etkin LLM'leri bulmak için, strateji, pazarlama, İK, satış ve operasyonları kapsayan 69 gerçek kurumsal görev kullandığımız etmen tabanlı bir kurumsal benchmark olan AIM Enterprise'ı tasarladık, İki hakem model, kontrolleri geçen her dosyayı puanladı. Bireysel puanların %32,7'sinde iki hakem ölçeğin dörtte birinden fazla farklılaştı ve bu…
LLM
İçgörü
15 EylLLM 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, eğitim verisi ve model parametreleri miktarına bağlayan ampirik düzenlilikleri ifade eder. Bu ilişkilerin pratikte modern model tasarımını nasıl etkilediğini anlamak için 8 akademik makalenin bulgularını ve 3 büyük yapay zeka laboratuvarı ile…
LLM
Özellik Karşılaştırması
15 EylSağlık 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…
LLM
Kıyaslama
15 EylKitle Simülasyonu: LLM'ler İnsan Davranışını Tahmin Edebilir mi?
Pazarlamada, LLM'lerin insan davranışını ne kadar doğru tahmin ettiğini değerlendirmek; kitle ihtiyaçlarını öngörme ve yanlış hizalama, etkisiz iletişim veya istenmeyen etki gibi riskleri tanıma konusundaki etkinliklerini değerlendirmek için kritik önem taşır. Kitle simülasyonu, LLM'lerle birlikte sanal kitlelerin modellenmesini sağlayarak kuruluşların maliyetli anketlere veya odak gruplarına başvurmadan içeriklere veya ürünlere verilecek tepkileri öngörmelerine yardımcı olur. Yapay…