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
LLM
İçgörü
26 HazLLM Parametreleri: GPT-5 High, Orta, Düşük ve Minimal
OpenAI'in GPT-5 ailesi gibi bazı LLM'ler, farklı sürümlerde (ör. GPT-5, GPT-5-mini ve GPT-5-nano) ve yüksek, orta, düşük ve minimal dahil olmak üzere çeşitli parametre ayarlarıyla gelir. Aşağıda, bu model sürümleri arasındaki farkları, benchmark performanslarını ve benchmark'ları çalıştırmanın maliyetlerini inceleyerek keşfediyoruz. Analizimizde GPT-5 ailesini kullandık. Muhakeme, kodlama, talimat takibi ve matematik dahil olmak üzere çeşitli alanlarda…
LLM
İçgörü
25 HazBüyük Dil Modellerinin Geleceği
Büyük dil modellerinin geleceğini büyük dil modellerine bakarak, kendi kendine eğitim, olgu kontrolü ve seyrek uzmanlık gibi umut verici yaklaşımları inceleyerek LLM'lerin sınırlamalarını gidermeyi hedefleyin. LLM'lerin başarı oranı karşılaştırması Claude Sonnet 4.6, 0.748 genel puanla karşılaştırmada birinci oldu; temel ve düşünme varyantları üç ondalık basamağa kadar birbirine eşit. Claude Opus 4.8 (0.702), Opus 4.6 temel…
LLM
İçgörü
22 Haz10+ Large Language Model Örnekleri
Önde gelen özel ve açık kaynaklı large language model'leri karşılaştırmak için açık kaynak benchmark'ları bir araya getirdik. Doğru model'i bulmak için kullanım durumunuzu seçin. Large language model'leri, benchmark performanslarını ve gerçek dünya gecikme sürelerini (tablodaki her model'in adına tıklayarak görebilirsiniz) inceleyerek ve genel verimlilik ile maliyet etkinliğini değerlendirmek için fiyatlandırmalarını gözden geçirerek değerlendirebilirsiniz. Maliyet tahminine…
LLM
Özellik Karşılaştırması
22 HazCloud LLM vs Local LLM'ler: Örnekler & Faydalar
Cloud LLM'ler, GPT-5.5 ve Claude Opus 4.7 gibi gelişmiş modellerle desteklenen, ölçeklenebilirlik ve erişilebilirlik sunar. Buna karşılık, Llama 4, DeepSeek V4 ve Qwen3.6-Plus gibi açık kaynaklı modellerle çalışan Yerel LLM'ler, daha güçlü gizlilik ve özelleştirme sağlar. Bulut LLM'lerin ne olduğunu, güçlü ve zayıf yönlerini, gerçek hayattan örneklerle en yaygın vaka çalışmalarını ve yerel LLM'lerden nasıl…
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…