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
2 EylLLM 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
1 EylLLM 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
27 AğuLLM Otomasyonu: En İyi 7 Araç & 8 Vaka Çalışması
LLM otomasyonu, görevleri otomatikleştirmek ve koordine etmek için AI ajanları, ince ayarlı LLM'ler ve LLM'ler de dahil olmak üzere RAG modellerinden yararlanan akıllı otomasyon araçlarına geçişi ifade eder. LLM otomasyonunun ne olduğunu, en önemli gerçek yaşam uygulamalarını ve başlıca araçlarını keşfedin: Otomasyondaki büyük dil modelleri, Doğal Dil İşleme (NLP)'yi mevcut süreç otomasyonu yöntemleriyle birleştiren sistematik…
LLM
İçgörü
19 AğuMüşteri Hizmetleri için ChatGPT: En İyi 10 Kullanım Alanı
ChatGPT, müşteri hizmetlerinde yenilik olmaktan çıkıp altyapıya dönüştü. Şirketler; yanıt sürelerini kısaltmak, ekiplerinin karşılayamayacağı hacmi yönetmek ve rutin etkileşimlerin maliyetini azaltmak için kullanıyor. Ancak sonuçlar, nasıl uygulandığına bağlı olarak büyük farklılık gösteriyor. OpenAI piyasaya sürdü GPT-5.6, önemli ölçüde daha yetenekli bir model; bu model, yönerge izleme, uzun bağlamlarda akıl yürütme ve doğru, marka ile uyumlu…
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
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…