GPT-6 Astra eklendi
AIM-Visual-Reasoning benchmark'ındaki en yeni model GPT-6 Astra.
AIM LMM Index
v1.0Büyük çok kipli modeller (LMM'ler) görseller, grafikler ve videolar hakkındaki soruları yanıtlar. AIM LMM Index, AIMultiple'ın görsel akıl yürütme benchmark'ını dört herkese açık sıralamayla birleştirir. Endeks nasıl hesaplanıyor
EN İYİ MODEL
GPT-6 Astra
Endeks 82 · OpenAI
EN İYİ AÇIK KAYNAK MODEL
Qwen3.8 27B
Endeks 71 · Alibaba Cloud
AIM-VISUAL-REASONING'DE EN İYİ
Gemini 4 Argon
%74,5 doğru · Google
AIM LMM Index ve maliyet
Yukarısı daha doğru, solu daha ucuz. Maliyet, 200 soruluk AIM-Visual-Reasoning koşusunun her sağlayıcının API'si üzerinden tuttuğu tutardır.
Sıralama
Beş benchmark'ın en az 3 tanesinde skoru olan modeller, AIM LMM Index'e göre sıralı.
Filter & Sort
# | Model | AIM LMM Index | AIM-Visual-Reasoning | MMMU-Pro | Roboflow Vision | MedXpertQA MM | CAIS Vision | Koşu maliyeti (USD) | Soru başına saniye |
|---|---|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astra OpenAI | 82 | 71.5 | 87.5 | 83.4 | 86.8 | 83.0 | 7.30 | 17.9 |
| 1 |  Gemini 4 Argon Google | 82 | 74.5 | - | 87.5 | - | 83.3 | 2.92 | 16.7 |
| 3 |  Claude Opus 5.5 Anthropic | 81 | 73.5 | 87.4 | 82.0 | 85.7 | 76.8 | 18.51 | 43.2 |
| 3 | GPT-6.1 Sol OpenAI | 81 | 72.5 | 85.8 | 81.7 | 85.7 | 77.9 | 1.46 | 15.1 |
| 5 | Gemini 3.8 Flash Google | 79 | 73.0 | 85.3 | 79.8 | 84.7 | 69.9 | 1.34 | 13.6 |
| 5 | Claude Sonnet 5.5 Anthropic | 79 | 70.0 | 85.8 | 77.6 | 80.7 | - | 17.14 | 61.3 |
| 5 | Gemini 3.6 Flash Google | 79 | 70.5 | 83.7 | 77.1 | 82.8 | - | 1.37 | 8.8 |
| 8 | GPT-6 Sol OpenAI | 78 | 72.0 | 83.0 | 76.9 | 81.3 | - | 2.38 | 14.5 |
| 8 | Gemini 3.7 Flash Google | 78 | 73.5 | 85.2 | 80.1 | 83.5 | 68.7 | 0.86 | 8.5 |
| 8 |  Qwen3.8 Max Alibaba Cloud | 78 | 72.0 | 82.8 | 79.3 | 78.3 | - | 4.11 | 73.7 |
Sayfa 1 / 4
Sıra#1
AIM-Visual-Reasoning71.5
MMMU-Pro87.5
AIM-Visual-Reasoning
71.5
MMMU-Pro
87.5
Roboflow Vision
83.4
MedXpertQA MM
86.8
CAIS Vision
83
Sıra#1
AIM-Visual-Reasoning74.5
AIM-Visual-Reasoning
74.5
Roboflow Vision
87.5
CAIS Vision
83.3
Sıra#3
AIM-Visual-Reasoning73.5
MMMU-Pro87.4
AIM-Visual-Reasoning
73.5
MMMU-Pro
87.4
Roboflow Vision
82
MedXpertQA MM
85.7
CAIS Vision
76.8
Sıra#3
AIM-Visual-Reasoning72.5
MMMU-Pro85.8
AIM-Visual-Reasoning
72.5
MMMU-Pro
85.8
Roboflow Vision
81.7
MedXpertQA MM
85.7
CAIS Vision
77.9
Sıra#5
AIM-Visual-Reasoning73
MMMU-Pro85.3
AIM-Visual-Reasoning
73
MMMU-Pro
85.3
Roboflow Vision
79.8
MedXpertQA MM
84.7
CAIS Vision
69.9
Sıra#5
AIM-Visual-Reasoning70
MMMU-Pro85.8
AIM-Visual-Reasoning
70
MMMU-Pro
85.8
Roboflow Vision
77.6
MedXpertQA MM
80.7
Sıra#5
AIM-Visual-Reasoning70.5
MMMU-Pro83.7
AIM-Visual-Reasoning
70.5
MMMU-Pro
83.7
Roboflow Vision
77.1
MedXpertQA MM
82.8
Sıra#8
AIM-Visual-Reasoning72
MMMU-Pro83
AIM-Visual-Reasoning
72
MMMU-Pro
83
Roboflow Vision
76.9
MedXpertQA MM
81.3
Sıra#8
AIM-Visual-Reasoning73.5
MMMU-Pro85.2
AIM-Visual-Reasoning
73.5
MMMU-Pro
85.2
Roboflow Vision
80.1
MedXpertQA MM
83.5
CAIS Vision
68.7
Sıra#8
AIM-Visual-Reasoning72
MMMU-Pro82.8
AIM-Visual-Reasoning
72
MMMU-Pro
82.8
Roboflow Vision
79.3
MedXpertQA MM
78.3
Sayfa 1 / 4
Her benchmark'taki skor
Her satır bir modelin endeksini ve her benchmark'ta yayımlanan skorunu gösterir. Modelin tüm skorlarını görmek için bir noktanın üzerine gelin.
Yayımlanan skor (0-100)
Endeks nasıl hesaplanıyor
AIM LMM Index, AIMultiple'ın görsel akıl yürütme benchmark'ını modelleri görseller, grafikler ve tıbbi görüntüler üzerinde test eden dört herkese açık sıralamayla birleştirir.
Puanlama
Endeks, bir modelin yayımlanan skorlarının düz ortalamasıdır. Skorlar her sıralamada yayımlandığı haliyle, ölçeklenmeden kullanılır. Ortalama yalnızca modelin skoru olan benchmark'ları kapsar. Benchmark'ların zorluğu farklıdır: CAIS Vision skorlarının çoğu 70'in altında kalırken MMMU-Pro skorlarının çoğu 70'in üzerindedir, bu yüzden en doğrudan karşılaştırma aynı benchmark'larda skoru olan modeller arasındadır.
Hangi modeller sıralanıyor
Bir model, beş benchmark'ın en az 3 tanesinde skoru olduğunda sıralanır. Yalnızca AIMultiple'ın görsel akıl yürütme benchmark'ındaki modeller listelenir.
Herkese açık skorlar
Bir sıralama bir modeli birkaç akıl yürütme seviyesiyle listelediğinde en yüksek seviyeyi kullanırız (önce max, sonra xhigh, sonra high). Python gibi araç kullanan koşular alınmaz. CAIS, Vision Capabilities Index ortalamasıyla katkı verir.
Kullandığımız benchmark'lar
AIMultiple
AIM-Visual-ReasoningGrafikler ve görseller hakkında 200 soruda 40 model, genel doğruluk üzerinden puanlandı.Kamuya Açık
MMMU-ProHem görseli hem metni gerektiren, farklı alanlarda üniversite düzeyinde sorular. Mercor APEX sıralaması, pass@1; Mercor'un test etmediği modeller için Artificial Analysis.Kamuya Açık
Roboflow Vision EvalsGerçek dünya görüntüleri üzerinde beş görev: nesne tespiti, sayma, tanımlama, OCR ve görsel akıl yürütme. Roboflow Playground genel skoru, beş görevin ortalaması.Kamuya Açık
MedXpertQA MMKlinik metni görsellerle birleştiren uzman düzeyinde tıbbi sorular. Mercor APEX sıralaması, pass@1.Kamuya Açık
CAIS Vision IndexCenter for AI Safety'nin beş görsel testin ortalaması: bedenlenmiş akıl yürütme, uzamsal gezinme, zihinsel canlandırma, sezgisel fizik ve bulmacalar.Değişiklik günlüğü
4 güncelleme- v1.0
33 model endekse girdi: Claude Fable 5, Claude Fable 5.1, Claude Haiku 4.5, Claude Haiku 5.5, Claude Opus 5 ve 28 tane daha.
- v1.0
7 model benchmark'a eklendi, henüz endekste sıralanmıyor: Claude Opus 4.6, Claude Sonnet 4.5, GPT-5.1-Codex, GPT-5.2 Pro, Kimi K2.5 ve 2 tane daha.
- v1.0
AIM-Visual-Reasoning: Kıyaslama metodolojisindeki maksimum jeton parametre ayarı değiştirildi.
Büyük Çok Kipli Modeller Keşfedin
Büyük Multimodal Model'ler (LMM'ler) vs LLM'ler
LMMİçgörü20 EkiLLM'leri ve LMM'leri, aşağıdaki tabloda model'in adına tıklayarak benchmark skorlarını ve gerçek dünyadaki gecikme sürelerini karşılaştırarak değerlendirin. Ayrıca genel verimliliği ve değeri yargılamak için girdi ve çıktı fiyatlandırmalarını da tartabilirsiniz. *Ses yalnızca E2B, E4B ve 12B model'lerinde yerleşiktir. Beş boyutta mevcuttur: E2B, E4B, 12B, 26B A4B ve 31B. Aile; tüm model'lerde değişken en boy oranları…
- LMMKıyaslama20 Eki
Görsel Muhakemede Multimodal AI Model'lerini Karşılaştırın
40 önde gelen multimodal AI model'lerini görsel muhakeme üzerinde 200 görsel tabanlı soru kullanarak benchmark ettik. Değerlendirme iki parkurdan oluştu: veri görselleştirme yorumlamayı test eden 100 grafik anlama sorusu ve örüntü tanıma ile uzamsal muhakemeyi ölçen 100 görsel mantık sorusu. Test prosedürlerimizi öğrenmek için benchmark metodolojimize bakın. Her model görsel mantıkta grafiklerden daha düşük puan…
Filtreler