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
LLM11 Ağu
LLM Fiyatlandırması: En İyi 15+ Sağlayıcı Karşılaştırması
Bir LLM için ödeme yapmanın iki yolu vardır: büyük sağlayıcıların abonelik planları veya token kullanımına göre faturalandırılan kullandıkça öde API modeli. Her modelin verimliliğini ve maliyet etkinliğini değerlendirmek için model adlarına tıklayarak benchmark sonuçlarını, gerçek dünya gecikme sürelerini ve fiyatlandırmayı görüntüleyin. Sıralama: Modeller, tüm benchmark'lardaki ortalama konumlarına göre sıralanmıştır. En iyi LLM'lerin halüsinasyon oranlarını ve…
LLM
Kıyaslama
11 AğuAgentic IT: Can LLMs Design a Benchmark
We gave 12 large language models the job a benchmark team does: invent a benchmark, build it, run four models through it, and report the results. Each did it twice. None of the 24 attempts passed every criterion, and six of the rubric’s checks were passed by none of them. The two topics are text-to-SQL,…
LLM
Kıyaslama
9 AğuMetin-SQL: LLM Doğruluğu Karşılaştırması
36 büyük dil modelini BIRD-SQL veri kümesindeki 759 soru üzerinde çalıştırdık; her model, 11 aday arasından kendi belirlemesi gereken bir veritabanına karşı SQL yazdı. Çözümlenebilen her sorgu gerçek veritabanında yürütüldü ve sonuç kümesi BIRD'in altın sorgusunun sonuç kümesiyle karşılaştırıldı. Eksik, hatalı ve yürütme hatası veren sorgular isabetsiz olarak değerlendirildi. Tüm çalıştırmalar sıcaklık 0'da, sıfır atışla…
LLM
Açık Dünya Değerlendirmesi
6 AğuLLM Orkestrasyonu: 22 Framework'lar ve Gateway'ler
LLM orkestrasyonunu optimize etmek, kaynak kullanımını kontrol altında tutarken performansı artırmanın anahtarıdır. Farklı orkestrasyon yaklaşımlarının pratikte nasıl performans gösterdiğini değerlendirmek için şunları test ettik: Seçili LLM orkestrasyon araçlarını keşfedin, geliştirici framework'leri ve kurumsal gateway'ler dahil: LLM Orkestrasyonu, karmaşık görevleri verimli bir şekilde gerçekleştirmek için birden fazla Büyük Dil Modelini (LLM's) yönetmeyi ve entegre etmeyi içerir.…
LLM
Kıyaslama
4 AğuHALC-Bench: LLM Uzun Bağlam Geri Getirme Benchmark'ında Halüsinasyon
HALC-Bench (LLM Uzun Bağlam Geri Getirme Benchmark'ında Halüsinasyon) büyük bir dil modelinin, hedef dokümanda bulunmayan bir metrik için kanıt uydurmaya karşı direncini, modelin bağlam penceresinin başına, ortasına ve sonuna yerleştirilmiş 3 samanlık kullanarak, 204 soru ile ölçer. claude-fable-5 her samanlık konumunda 204 tuzağın hepsini doğru yanıtladı. Kalan modeller arasında en az halüsinasyon gösteren gpt-5.5 oldu.…
LLM
Kıyaslama
4 AğuÇok Modlu Yapay Zeka Modellerini Görsel Muhakeme Konusunda Karşılaştırın
Önde gelen 15 çok modlu yapay zeka modelini 200 görsel tabanlı soru kullanarak görsel muhakeme konusunda kıyasladık. Değerlendirme iki parkurdan oluşuyordu: veri görselleştirme yorumlamasını test eden 100 grafik anlama sorusu ve örüntü tanıma ile uzamsal muhakemeyi değerlendiren 100 görsel mantık sorusu. Tutarlı ve güvenilir sonuçlar sağlamak için her soru 5 kez çalıştırıldı. Test prosedürlerimizi öğrenmek…
LLM
Kıyaslama
4 AğuKitle 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…
LLM
Kıyaslama
2 AğuOpenAI için Yapay Zeka Ağ Geçitleri: OpenRouter Alternatifleri
OpenRouter, SambaNova, TogetherAI, Groq ve YZ/ML API'yi üç gösterge (ilk token gecikmesi, toplam gecikme ve çıktı token sayısı) genelinde, toplam gecikme için kısa prompt'lar (yaklaşık 18 token) ve uzun prompt'lar (yaklaşık 203 token) kullanarak 300 testle benchmark ettik. Bu yapay zeka ağ geçitlerinden birini kullanmayı planlıyorsanız şunları yapabilirsiniz: Bu benchmark'ta, OpenRouter, SambaNova, TogetherAI, Groq ve…
LLM
İçgörü
16 TemLLM İnce Ayar Rehberi: İşletmeler İçin
LLM çıktı zorluklarınız için özel çözümlere giden bağlantıları takip edin. Eğer LLM'niz: Büyük dil modellerinin (LLM'ler) yaygın olarak benimsenmesi, insan dilini işleme yeteneğimizi geliştirdi. Ancak, genel eğitimleri genellikle belirli görevler için optimumun altında performansla sonuçlanır. Bu sınırlamanın üstesinden gelmek için, LLM'leri farklı uygulama alanlarının benzersiz gereksinimlerine göre uyarlamak amacıyla ince ayar yöntemleri kullanılır. Büyük bir…
LLM
İçgörü
12 TemLLM Self-Hosting için VRAM Hesaplayıcı
Kendi barındırılan bir LLM, çıkarımın operatörün kontrol ettiği donanım üzerinde, üçüncü taraf bir API üzerinden değil, çalıştırılması anlamına gelir; bu durum maliyet, veri kontrolü ve gizlilik profilini değiştirir. Bir modelin çalışıp çalışmadığı tamamen belleğe bağlıdır. Hesaplayıcı, modelin, hassasiyetinin, bağlam uzunluğunun ve hedef donanımın temelinde bir modelin yerel olarak çalışması için gereken VRAM veya birleşik belleği…