OPEN BENCHMARKS

Tolok ukur model AI

Bandingkan model bahasa, gambar, video, dan suara dengan data terbuka yang dapat dilacak.

Data tambahan di Artificial Analysis ↓

Model66

Pembuat8

Metrik10

Bandingkan model

0/3

Pilih 2–3 model dari peringkat ini. Hanya pengukuran dengan sumber, versi, dan jalur yang sama yang dibandingkan.

Peringkat	Model	Skor	Pembuat	Sumber
1	claude-fable-5-1-max-effort	83,783 score	Anthropic	LiveBench
2	claude-fable-5-max-effort	83,383 score	Anthropic	LiveBench
3	claude-opus-5-5-max-effort	83,185 score	Anthropic	LiveBench
4	gpt-6-astra-max	83,046 score	OpenAI	LiveBench
5	gpt-6.1-sol-max	82,487 score	OpenAI	LiveBench
6	muse-spark-1.3-xhigh	82,431 score	Unknown	LiveBench
7	claude-opus-5-5-xhigh-effort	82,109 score	Anthropic	LiveBench
8	gpt-6.1-sol-xhigh	81,827 score	OpenAI	LiveBench
9	gpt-5.6-sol-max	81,647 score	OpenAI	LiveBench
10	deepseek-v4.1-flash-max	81,447 score	DeepSeek	LiveBench
11	gpt-5.5-xhigh	80,785 score	OpenAI	LiveBench
12	claude-opus-5-max-effort	80,48 score	Anthropic	LiveBench
13	gemini-3.7-flash-high	79,898 score	Google	LiveBench
14	gpt-6-sol-max	79,825 score	OpenAI	LiveBench
15	smaug-agentic	79,669 score	Unknown	LiveBench
16	qwen3.8-max	79,496 score	Alibaba	LiveBench
17	kimi-k3	79,482 score	Moonshot AI	LiveBench
18	grok-4.6	79,002 score	xAI	LiveBench
19	muse-spark-1.2-xhigh	78,915 score	Unknown	LiveBench
20	gpt-5.4-xhigh	78,798 score	OpenAI	LiveBench
21	gpt-5.6-terra-max	78,634 score	OpenAI	LiveBench
22	grok-4.7-xhigh	78,338 score	xAI	LiveBench
23	claude-sonnet-5-5-xhigh-effort	78,174 score	Anthropic	LiveBench
24	deepseek-v4-pro-0813	78,158 score	DeepSeek	LiveBench
25	smaug-flash	78,026 score	Unknown	LiveBench
26	gemini-3.1-pro-preview-high	77,986 score	Google	LiveBench
27	deepseek-v4-flash-vision-exp	77,734 score	DeepSeek	LiveBench
28	smaug-mini	77,678 score	Unknown	LiveBench
29	gemini-3.8-flash-high	77,486 score	Google	LiveBench
30	qwen3.8-flash-next	77,297 score	Alibaba	LiveBench
31	claude-opus-4-8-max-effort	77,149 score	Anthropic	LiveBench
32	grok-4.5	77,051 score	xAI	LiveBench
33	claude-opus-4-7-xhigh-effort	77,035 score	Anthropic	LiveBench
34	glm-5.3	76,65 score	Unknown	LiveBench
35	claude-sonnet-5-xhigh-effort	76,593 score	Anthropic	LiveBench
36	muse-spark-1.1-xhigh	76,028 score	Unknown	LiveBench
37	qwen3.8-27b	75,82 score	Alibaba	LiveBench
38	claude-sonnet-5-5-max-effort	75,752 score	Anthropic	LiveBench
39	gemini-3.5-flash-high	75,437 score	Google	LiveBench
40	gpt-5.2-2025-12-11-high	75,192 score	OpenAI	LiveBench
41	claude-opus-4-6-thinking-auto-high-effort	75,132 score	Anthropic	LiveBench
42	deepseek-v4-flash-0731	74,85 score	DeepSeek	LiveBench
43	gemini-3.6-flash-high	74,539 score	Google	LiveBench
44	qwen3.7-max	74,099 score	Alibaba	LiveBench
45	gpt-5.2-codex	74,034 score	OpenAI	LiveBench
46	gpt-5.6-luna-max	73,687 score	OpenAI	LiveBench
47	claude-sonnet-4-6-thinking-auto-medium-effort	73,413 score	Anthropic	LiveBench
48	glm-5.2	73,363 score	Unknown	LiveBench
49	claude-opus-4-5-20251101-thinking-64k-high-effort	72,939 score	Anthropic	LiveBench
50	inkling-xhigh	72,876 score	Unknown	LiveBench
51	deepseek-v4-pro	72,554 score	DeepSeek	LiveBench
52	gpt-6-luna-max	72,193 score	OpenAI	LiveBench
53	glm-5.3-flash	71,138 score	Unknown	LiveBench
54	kimi-k2.6-thinking	70,902 score	Moonshot AI	LiveBench
55	gpt-5.4-nano-xhigh	70,85 score	OpenAI	LiveBench
56	ox-alpha-max	69,242 score	Unknown	LiveBench
57	qwen3.6-plus	68,989 score	Alibaba	LiveBench
58	kimi-k2.7-code	68,756 score	Moonshot AI	LiveBench
59	nemotron-3-ultra-550b-a55b	68,723 score	Unknown	LiveBench
60	grok-build-0.1	68,61 score	xAI	LiveBench
61	minimax-m3	67,527 score	Unknown	LiveBench
62	gpt-5.4-mini-xhigh	66,601 score	OpenAI	LiveBench
63	deepseek-v4-flash	66,054 score	DeepSeek	LiveBench
64	qwen3.6-27b	64,181 score	Alibaba	LiveBench
65	gemini-3.5-flash-lite-high	63,816 score	Google	LiveBench
66	grok-4.3	63,268 score	xAI	LiveBench

EXTERNAL REFERENCE

Data tambahan di Artificial Analysis

Bandingkan model dari sisi lain selain skor tolok ukur. Lihat data terkini di halaman resmi.

Buka papan peringkat terkait ↗

Indeks kecerdasanMenggabungkan evaluasi independen; skor lebih tinggi berarti hasil keseluruhan lebih baik.
Agen pemrogramanBandingkan hasil, biaya, dan durasi tugas pengembangan perangkat lunak.
Indeks kemampuan khususLihat indeks untuk keuangan, hukum, kesehatan, dan teknik.
Kecepatan dan latensiBedakan token keluaran per detik, jeda token pertama, dan waktu respons penuh.
Harga dan biaya tugasBedakan harga per sejuta token dari biaya satu tugas evaluasi.
Konteks dan pemakaian tokenPeriksa ukuran jendela konteks dan token keluaran per tugas.
KeterbukaanBandingkan bobot terbuka, batasan penggunaan, dan transparansi model.
Kemampuan multibahasaLihat indeks terpisah per bahasa; indeks ini tidak termasuk dalam Indeks Kecerdasan yang terutama berbasis teks Inggris.
Penalaran dokumen panjangGunakan AA-LCR untuk menilai penalaran lintas dokumen panjang; jendela konteks besar tidak menjamin ketepatan.
Penyedia APIBandingkan harga, kecepatan keluaran, dan latensi respons awal pada endpoint untuk model yang sama.
Evaluasi kerja pengetahuanAA-Briefcase menilai penyelesaian tugas, mutu analisis, dan penyajian hasil seperti spreadsheet, slide, dan memo.
Perbandingan rilis modelBandingkan rilis dan varian penalaran menurut kemampuan, biaya, kecepatan, dan konteks.
Rekomendasi modelDapatkan saran model resmi sesuai prioritas kecerdasan, kecepatan, dan biaya.

Tolok ukur model AI

Bandingkan model

Data tambahan di Artificial Analysis

Evaluasi khusus

Sumber dan metodologi

LiveBenchData lama