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
- LLMKıyaslama6 Eki
Siber 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…
- LLMİçgörü21 Eyl
LLM 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…
- LLMKıyaslama18 Eyl
Agentic 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…
- LLMKıyaslama17 Eyl
AIM 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…
- LLMİçgörü15 Eyl
LLM 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…
- LLMKıyaslama15 Eyl
Kitle 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…
- LLMİçgörü2 Eyl
LLM 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…
- LLMİçgörü1 Eyl
LLM 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…
Filtreler