Gemini 3.8 Flash eklendi
AIMultiple Zeka Endeksindeki en yeni model Gemini 3.8 Flash.
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 Opus 5
Endeks 86
En iyi değer
DeepSeek V4 Flash 0731
$0.11 / 1M
En hızlı
Trinity Large Thinking
0.12s TTFT
Kapsam
151 model
12 karşılaştırma · 697 değerlendirme
AIMultiple Zeka Endeksi
Liderlik Tablosu
Tüm benchmark'larda en yüksek puan alan modeller.
Filter & Sort
# | Model | Endeks | Agentic RAG | ARC-AGI-1 | ARC-AGI-2 | ArxivMath | CritPt | FinanceReasoning | FrontierMath | LegalBench | MMMU-Pro | Terminal-Bench 2.1 | Terminal-Bench Hard | Text-to-SQL |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5 Anthropic | 86 | - | 98 | 90 | 91 | 29 | 90 | 73 | 87 | 85 | 89 | - | - |
| 2 |  GPT-5.6 Sol OpenAI | 81 | 87 | 98 | 93 | - | 32 | 90 | 83 | 87 | 83 | 89 | - | 74 |
| 3 | Claude Fable 5 Anthropic | 79 | 98 | 99 | 89 | 79 | 29 | 90 | 88 | 89 | 81 | 85 | 63 | 90 |
| 4 | GPT-5.6 Terra OpenAI | 67 | 91 | 97 | 84 | - | 30 | 87 | 71 | 85 | 81 | 87 | - | 71 |
| 5 | Claude Opus 4.8 Anthropic | 66 | 100 | 93 | 72 | 71 | - | 89 | 56 | 84 | 79 | 85 | 58 | 77 |
| 6 | Claude Fable 5.1 Anthropic | 66 | - | 98 | 90 | - | 31 | - | 88 | 89 | - | 91 | - | - |
| 7 |  Gemini 3.7 Flash Google | 62 | - | 96 | 85 | - | 14 | - | 37 | 87 | 86 | 86 | - | - |
| 8 | GPT-5.5 Pro OpenAI | 62 | - | 97 | 85 | - | 31 | - | 78 | - | - | - | - | - |
| 9 |  Kimi K3 Moonshot AI | 61 | 93 | 95 | 60 | - | 23 | 88 | 39 | 86 | 82 | 85 | - | 77 |
| 10 | GPT-5.6 Sol Pro OpenAI | 60 | 96 | - | - | - | - | 91 | 81 | - | - | - | - | 79 |
Sayfa 1 / 16
Maliyet$10.00
Gecikme3.83s
Bağlam1M
TTFT3.83s
ARC-AGI-1
98
ARC-AGI-2
90
ArxivMath
91
CritPt
29
FinanceReasoning
90
FrontierMath
73
LegalBench
87
MMMU-Pro
85
Terminal-Bench 2.1
89
Maliyet$8.00
Gecikme4.43s
Bağlam1M
TTFT4.43s
Agentic RAG
87
ARC-AGI-1
98
ARC-AGI-2
93
CritPt
32
FinanceReasoning
90
FrontierMath
83
LegalBench
87
MMMU-Pro
83
Terminal-Bench 2.1
89
Text-to-SQL
74
Maliyet$20.00
Gecikme5.28s
Bağlam1M
TTFT5.28s
Agentic RAG
98
ARC-AGI-1
99
ARC-AGI-2
89
ArxivMath
79
CritPt
29
FinanceReasoning
90
FrontierMath
88
LegalBench
89
MMMU-Pro
81
Terminal-Bench 2.1
85
Terminal-Bench Hard
63
Text-to-SQL
90
Maliyet$4.50
Gecikme1.92s
Bağlam1M
TTFT1.92s
Agentic RAG
91
ARC-AGI-1
97
ARC-AGI-2
84
CritPt
30
FinanceReasoning
87
FrontierMath
71
LegalBench
85
MMMU-Pro
81
Terminal-Bench 2.1
87
Text-to-SQL
71
Maliyet$10.00
Gecikme4.53s
Bağlam1M
TTFT4.53s
Agentic RAG
100
ARC-AGI-1
93
ARC-AGI-2
72
ArxivMath
71
FinanceReasoning
89
FrontierMath
56
LegalBench
84
MMMU-Pro
79
Terminal-Bench 2.1
85
Terminal-Bench Hard
58
Text-to-SQL
77
Maliyet$20.00
Gecikme5.44s
Bağlam1M
TTFT5.44s
ARC-AGI-1
98
ARC-AGI-2
90
CritPt
31
FrontierMath
88
LegalBench
89
Terminal-Bench 2.1
91
Maliyet$1.50
Gecikme6.05s
Bağlam1M
TTFT6.05s
ARC-AGI-1
96
ARC-AGI-2
85
CritPt
14
FrontierMath
37
LegalBench
87
MMMU-Pro
86
Terminal-Bench 2.1
86
Maliyet$33.75
Gecikme3.65s
Bağlam1M
TTFT3.65s
ARC-AGI-1
97
ARC-AGI-2
85
CritPt
31
FrontierMath
78
Maliyet$5.44
Gecikme0.93s
Bağlam1M
TTFT0.93s
Agentic RAG
93
ARC-AGI-1
95
ARC-AGI-2
60
CritPt
23
FinanceReasoning
88
FrontierMath
39
LegalBench
86
MMMU-Pro
82
Terminal-Bench 2.1
85
Text-to-SQL
77
Maliyet$2.00
Gecikme10.25s
Bağlam1M
TTFT10.25s
Agentic RAG
96
FinanceReasoning
91
FrontierMath
81
Text-to-SQL
79
Sayfa 1 / 16
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
Her karşılaştırma 0-100 ölçeğinde bir konuma çevrilir ve endeks bu konumların ağırlıklı ortalamasıdır. Modelin girmediği karşılaştırma alan ortalaması sayılır, böylece puanlar karşılaştırılabilir kalır. Endeks = Terminal-Bench-Science (14%) + FrontierMath (12%) + Frontier-Bench (12%) + ArxivMath (10%) + MMMU-Pro (9%) + ARC-AGI-2 (8%) + CritPt (6%) + FinanceReasoning (5%) + Text-to-SQL (5%) + BioMysteryBench (5%) + ARC-AGI-1 (5%) + Terminal-Bench 2.1 (3%) + Agentic RAG (3%) + Terminal-Bench Hard (2%) + LegalBench (1%).
AIMultiple
Agentic RAG5 veri tabanı üzerinde çoklu veri tabanı yönlendirmesi ve SQL sorgusu üretimi (BIRD-SQL, 500 soru).Kamuya Açık
ARC-AGI-1Izgara donusumleri uzerinde az ornekli soyut akil yurutme; ilk ARC Prize kiyaslamasi.Kamuya Açık
ARC-AGI-2Ezberi değil genellemeyi ölçen özgün görsel muhakeme bulmacaları.Kamuya Açık
ArxivMathYeni arXiv matematik problemleri; kontaminasyonu sinirlamak icin yayindan hemen sonra kosulur.Kamuya Açık
BioMysteryBenchAnthropic'in, ajanlarin ham veriden gercek biyoinformatik bilmecelerini cozup cozemedigini olcen kiyaslamasi.Kamuya Açık
CritPtCok adimli turetme gerektiren arastirma duzeyinde fizik problemleri.AIMultiple
FinanceReasoning238 zor FinanceReasoning sorusunda çok adımlı, karmaşık finansal muhakeme.Kamuya Açık
Frontier-BenchGuncel depolar uzerinde ajan tabanli yazilim gorevleri; cozum orani ile puanlanir.Kamuya Açık
FrontierMathUzmanlarca hazırlanmış, yayımlanmamış araştırma düzeyi matematik problemleri (1–4. seviyeler).Kamuya Açık
LegalBenchHukuk profesyonellerinin oluşturduğu 162 görevde kitle kaynaklı hukuki muhakeme.Kamuya Açık
MMMU-ProDisiplinler arasi universite duzeyinde cok kipli anlama; yalnizca metinle cozmeye karsi sertlestirilmis.Kamuya Açık
Terminal-Bench 2.1Yazilim muhendisligi, veri ve sistem yonetimi alanlarinda ajan tabanli terminal gorevleri.Kamuya Açık
Terminal-Bench HardTerminal-Bench'in zor alt kumesi: gercek bir terminalde cok adimli yazilim gorevleri.Kamuya Açık
Terminal-Bench-ScienceGercek bilimsel hesaplama is akislarindan alinan terminal gorevleri.AIMultiple
Text-to-SQL35'ten fazla LLM'de doğal dilden SQL sorgusu üretme doğruluğu.Son Güncellemeler
Son Güncellemeler
Zeka Endeksi, model kapsamı ve AIMultiple karşılaştırma metodolojisindeki en son değişiklikler.
Google
Gemini 3.8 Flash
AIMultiple Zeka Endeksine yeni eklenen model.
Anthropic
Claude Fable 5.1
AIMultiple Zeka Endeksine yeni eklenen model.
Tencent
Hy4 preview
AIMultiple Zeka Endeksine yeni eklenen model.
Z AI
GLM 5.3 Flash
AIMultiple Zeka Endeksine yeni eklenen model.
Yapay Zeka Modeli Yayın Zaman ÇizelgesiSon 20 günde 12 model
Önde gelen sağlayıcıların son 20 gündeki öne çıkan yapay zeka modeli yayınları.
Sağlayıcı
04 Eyl 2026
GPT-6 Astra +1 dahaGPT-6 AstraGPT-6 Astra Pro
26 Ağu 2026
Qwen3.8 Flash
03 Eyl 2026
Qwen3.8 Max (0902)
02 Eyl 2026
Gemini 3.8 Flash
21 Ağu 2026
Muse Spark 1.2 Contributor
02 Eyl 2026
Muse Spark 1.3 +1 dahaMuse Spark 1.3Muse Spark 1.3 Contributor
01 Eyl 2026
Claude Fable 5.1
28 Ağu 2026
Hy4 preview
18 Ağu 2026
GLM 5.3
26 Ağu 2026
GLM 5.3 Flash
LLM Kullanım Durumları, Analizler ve Ölçümler Keşfedin
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…
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
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
2 AğuOpenAI için Yapay Zeka Ağ Geçitleri: OpenRouter Alternatifleri
OpenRouter, SambaNova, TogetherAI, Groq ve AI/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
Kıyaslama
5 HazSiber Güvenlikte Büyük Dil Modelleri
SecBench kullanarak 9 siber güvenlik alanında 7 büyük dil modeli değerlendirdik; SecBench, güvenlik görevleri için büyük ölçekli ve çok formatlı bir benchmark'tır. Her modeli veri güvenliği, kimlik ve erişim yönetimi, ağ güvenliği, zafiyet yönetimi ve bulut güvenliği gibi alanları kapsayan 44.823 çoktan seçmeli soruda (MCQ) ve 3.087 kısa cevaplı soruda (SAQ) test ettik. Bu büyük…
LLM
Kıyaslama
15 NisLLM Kuantizasyonu: BF16 vs FP8 vs INT4
Qwen3-32B'yi tek bir NVIDIA H100 80GB GPU üzerinde 4 hassasiyet seviyesinde (BF16, FP8, GPTQ-Int8, GPTQ-Int4) benchmark'ladık. Her yapılandırma, bilgi ve kod üretimi kapsayan 2 benchmark'ta (~12.2K soru) ve verimliliği ölçmek için 2.000'den fazla inference çalıştırmasında değerlendirildi. Int4, MMLU-Pro'da 2 puandan daha az kayıp yaşarken BF16'dan 2.7 kat daha hızlıdır, ancak kod üretimi (HumanEval) 8 puan…