Evaluasi Model LLM

⚖️

Peringkat independen model AI terbaru dari 4 benchmark publik — ganti model di radar chart untuk membandingkan dimensi kemampuannya; lihat trennya, bukan satu angka peringkat.

Model

Benchmark

Arena 2026-10-15

Snapshot Arena terbaru

Setiap minggu

Pembaruan otomatis

Penafian: Semua skor adalah snapshot publik dari benchmark pihak ketiga (sumber tertaut di bawah) dan hanya untuk tujuan informasi. Peringkat teratas di setiap daftar umumnya berada dalam rentang noise statistik, jadi perhatikan trennya alih-alih peringkat yang persis. Kami tidak melakukan evaluasi sendiri.

Indeks kecerdasan Artificial Analysis

Evaluasi independen Bandingkan dua model →

Menggabungkan 10 benchmark ternormalisasi seperti kode, matematika, sains, penalaran, dan agen menjadi satu indeks kecerdasan, lengkap dengan harga dan kecepatan.

#	Model	Penyedia	Kecerdasan	Kode	GPQA	HLE	SciCode	LCR	$/M tok	tok/s
1	Claude Opus 5.5 (Max, Default Fallback)	Anthropic	57.6	—	—	61.4	66.9	84.7	8.00	96
2	Claude Sonnet 5.5 (Max, Default Fallback)	Anthropic	56.0	—	—	55.0	61.0	82.7	4.00	139
3	Claude Opus 5.5 (Xhigh, Default Fallback)	Anthropic	56.0	—	—	57.5	65.0	84.7	8.00	86
4	Muse Wonder Full (Max)	Meta	55.8	—	—	53.6	62.6	83.7	0.00	0
5	Claude Opus 5.5 (High, Default Fallback)	Anthropic	53.6	—	—	55.6	60.4	82.7	8.00	77
6	Claude Fable 5.1 (Max, Default Fallback)	Anthropic	53.4	81.6	93.7	59.1	63.1	85.3	20.00	74
7	Claude Fable 5.1 (Xhigh, Default Fallback)	Anthropic	53.2	80.7	93.4	58.7	60.9	83.0	20.00	60
8	GPT-6 Astra (Max)	OpenAI	52.7	76.9	96.1	54.7	56.5	80.7	20.00	72
9	Gemini 4 Argon (High)	Google	52.6	—	—	57.1	61.8	79.7	4.00	0
10	Muse Wonder (Max)	Meta	52.4	—	—	50.1	60.3	80.7	8.00	159
11	GPT-6 Astra (Xhigh)	OpenAI	52.4	75.9	96.3	54.6	55.7	80.0	20.00	65
12	Claude Sonnet 5.5 (Xhigh, Default Fallback)	Anthropic	51.9	—	—	50.0	57.3	79.7	4.00	105
13	GPT-6.1 Sol (Max)	OpenAI	51.8	—	—	52.9	54.2	83.0	4.00	54
14	Claude Opus 5.5 (Medium, Default Fallback)	Anthropic	51.2	—	—	54.7	59.3	84.3	8.00	76
15	Claude Fable 5.1 (High, Default Fallback)	Anthropic	51.2	79.1	90.6	55.9	58.7	83.7	20.00	55
16	GPT-6.1 Sol (Xhigh)	OpenAI	51.0	—	—	52.6	55.7	79.7	4.00	52
17	GPT-6 Astra (High)	OpenAI	50.9	77.1	94.9	53.1	55.4	80.0	20.00	58
18	Claude Opus 5 (Max)	Anthropic	50.8	78.0	93.2	54.9	56.4	79.3	10.00	0
19	GPT-6.1 Sol (High)	OpenAI	50.2	—	—	51.4	55.8	82.3	4.00	49
20	Claude Opus 5 (Xhigh)	Anthropic	49.7	77.0	93.7	54.4	55.7	80.3	10.00	0
21	Claude Fable 5 (Max, Opus 4.8 Fallback)	Anthropic	49.6	76.5	92.6	55.5	61.0	82.3	20.00	0
22	GPT-6 Astra (Medium)	OpenAI	49.6	76.7	93.9	52.7	54.2	79.7	20.00	57
23	Claude Fable 5.1 (Medium, Default Fallback)	Anthropic	48.9	77.1	88.6	53.8	56.4	84.7	20.00	55
24	Claude Opus 5 (High)	Anthropic	48.1	76.5	93.7	52.8	55.4	79.0	10.00	0
25	Muse Spark 1.3 (Max)	Meta	48.1	75.8	93.5	48.7	58.8	83.0	2.00	119
26	GPT-6.1 Sol (Medium)	OpenAI	47.8	—	—	49.9	53.2	83.3	4.00	46
27	GPT-6 Sol (Max)	OpenAI	47.6	—	—	47.9	57.6	83.7	4.00	0
28	GPT-5.6 Sol (Max)	OpenAI	47.0	77.4	94.1	49.5	57.1	84.0	8.00	0
29	Claude Fable 5.1 (Low, Default Fallback)	Anthropic	46.8	75.2	88.1	48.9	56.7	82.3	20.00	54
30	Claude Sonnet 5.5 (High, Default Fallback)	Anthropic	46.8	—	—	45.8	53.7	78.0	4.00	103

Radar kemampuan

Pilih model untuk membandingkan 6 sumbu kemampuan (persentase dari maksimum 100)

Model

Sumber: Artificial Analysis · Snapshot 2026-10-19 · Diperbarui setiap minggu

Peringkat Arena Elo

Voting buta oleh manusia asli

Pengguna sungguhan memilih dalam duel A/B anonim dan hasilnya dikonversi dengan Bradley–Terry Elo. Mengukur model mana yang benar-benar disukai orang, bukan uji performa.

#	Model	Penyedia	Lisensi	Elo	Suara	Vs sebelumnya
1	Gemini 4 Argon (High)	google	Tertutup	1532	4,904	—
2	Claude Opus 5.5 (High)	anthropic	Tertutup	1516	8,300	—
3	Claude Fable 5.1 (Max)	anthropic	Tertutup	1512	14,590	—
4	Claude Opus 5 (Max)	anthropic	Tertutup	1508	32,495	—
5	Claude Opus 5 (High)	anthropic	Tertutup	1503	66,824	—
6	Claude Opus 4.6 (High)	anthropic	Tertutup	1502	81,394	—
7	Muse Wonder (Max)	meta	Tertutup	1501	3,247	—
8	Gemini 3.8 Flash (High)	google	Tertutup	1499	37,454	—
9	Claude Opus 4.6	anthropic	Tertutup	1498	86,071	—
10	Claude Fable 5 (High)	anthropic	Tertutup	1491	42,004	—
11	mimo-v2.6-pro	xiaomi	Tertutup	1491	4,075	▲ 2
12	Muse Spark 1.3 (Max)	meta	Tertutup	1490	17,561	—
13	Claude Opus 4.7 (High)	anthropic	Tertutup	1490	65,116	—
14	Gemini 3.7 Flash (High)	google	Tertutup	1487	27,232	—
15	Muse Spark 1.2 (xHigh)	meta	Tertutup	1484	8,248	—
16	Claude Opus 4.7	anthropic	Tertutup	1483	66,216	—
17	qwen3.8-max	alibaba	Tertutup	1483	27,766	▲ 3
18	gemini-3.5-flash-high	google	Tertutup	1482	48,486	▲ 1
19	Gemini 3.1 Pro Preview	google	Tertutup	1480	127,649	—
20	Gemini 3 Pro	google	Tertutup	1479	42,072	—
21	gemini-3.6-flash-high	google	Tertutup	1479	36,122	▲ 1
22	Muse Spark 1.1	meta	Tertutup	1478	42,810	—
23	gemini-3.5-flash-medium	google	Tertutup	1477	47,292	—
24	qwen3.7-max-preview	alibaba	Tertutup	1475	3,934	—
25	Kimi K3 (Max)	moonshot	Tertutup	1475	32,795	—
26	Muse Spark	meta	Tertutup	1474	14,150	—
27	glm-5.3-max	zai	Tertutup	1471	22,543	—
28	gpt-5.5-high	openai	Tertutup	1471	69,401	—
29	glm-5.3-flash	zai	Tertutup	1471	32,925	—
30	claude-sonnet-5.5-xhigh	anthropic	Tertutup	1470	6,831	—

Tren Elo sejak 2023 · 8 snapshot

Sumber: Arena leaderboard · Snapshot 2026-10-15 · Diperbarui setiap minggu

Skor kemampuan OpenCompass

Pengetahuan · Penalaran · Matematika · Kode

Benchmark kemampuan objektif yang dijalankan pada set evaluasi resmi tertutup. Nilai rata-rata (avg) adalah rata-rata dari empat dimensi.

#	Model	Penyedia	Lisensi	Rata-rata	Pengetahuan	Penalaran	Matematika	Kode
1	Claude Opus 5 (high)	Anthropic	Tertutup	83.3	94.1	68.4	77.3	93.3
2	GPT-5.6-Sol (high)	OpenAI	Tertutup	80.8	88.5	66.8	71.4	96.3
3	Qwen3.8-Max	Alibaba	Terbuka	80.6	86.8	65.2	75	95.5
4	GPT-5.5 (high)	OpenAI	Tertutup	80.6	87.7	66.9	71.4	96.5
5	Gemini-3.7-Flash	Google	Tertutup	80.5	94	62.1	76.8	89.3
6	Doubao-Seed-2.1-Pro-260628 (high)	ByteDance	Tertutup	80.5	91.4	64.9	74.9	90.8
7	Kimi-K3 (high)	Moonshot AI	Terbuka	79.1	90.3	63.9	74.1	88
8	Grok-4.6 (high)	xAI	Tertutup	78	93.8	60	73	85
9	DeepSeek-V4-Pro	DeepSeek	Terbuka	77.5	92.5	55.5	71.2	91
10	Kimi-K2.6 (high)	Moonshot AI	Terbuka	75.7	89.8	62.9	75.7	74.5
11	Claude Opus 4.8 (high)	Anthropic	Tertutup	75.1	87.5	64.1	71.5	77.3
12	GLM-5.3	Zhipu AI	Tertutup	74.4	91.9	62	67.2	76.5
13	DeepSeek-V4-Flash	DeepSeek	Terbuka	73.7	84.5	61	70.4	79
14	Hy3-preview (high)	Tencent	Terbuka	73.6	85.6	54.6	72.2	82
15	MiniMax-M3	MiniMax	Terbuka	69	86.6	54	63	72.5

Radar kemampuan

Pilih model untuk membandingkan 4 sumbu kemampuan (persentase dari maksimum 100)

Model

Sumber: OpenCompass · Snapshot 2026-08-24 · Diperbarui setiap bulan

Indeks kecerdasan SuperCLUE

Benchmark Tiongkok · maksimum 100

Benchmark komprehensif berbahasa Mandarin yang mencakup enam tugas: penalaran matematis, kontrol halusinasi, penalaran ilmiah, kepatuhan instruksi yang tepat, koding agen, dan perencanaan tugas agen.

#	Model	Penyedia	Lisensi	Skor total	Matematika	Halusinasi	Sains	Instruksi	Kode agen	Perencanaan agen
1	Qwen3.8-Max(max)	阿里巴巴	Terbuka	71.48	77.19	86.08	71.93	43.81	68.42	90.94
2	Kimi-K3(max)	月之暗面	Terbuka	70.68	71.93	83.85	70.17	40.95	75.79	84.35
3	DeepSeek-V4-Pro(max)	深度求索	Terbuka	70.1	77.19	89.73	71.93	42.86	63.16	85.48
4	Doubao-Seed-2.1-pro(high)	字节跳动	Tertutup	65.94	75.44	78.85	77.19	42.86	51.58	84.95
5	DeepSeek-V4-Flash(max)	深度求索	Terbuka	65.6	78.95	78.25	70.17	35.24	58.95	80.72
6	MiniMax-M3	稀宇科技	Terbuka	56.9	70.18	70.44	70.17	20	46.32	77.68
7	LongCat-2.0	美团	Terbuka	54.22	70.18	70.02	64.91	19.05	42.11	71.32

Radar kemampuan

Pilih model untuk membandingkan 6 sumbu tugas (persentase dari maksimum 100)

Model

Sumber: SuperCLUE · Snapshot 2026-08-06 · Diperbarui setiap bulan

Model terbaik per kemampuan

Model mana yang unggul di setiap kemampuan? Setiap daftar menampilkan Top 10 dari sumber yang paling tepat mengukur kemampuan tersebut: kode dari AA Coding Index, matematika dan penalaran dari OpenCompass, agen dari SuperCLUE.

#	Model	Penyedia	Kode
1	Claude Fable 5.1 (Max, Default Fallback)	Anthropic	81.6
2	Claude Fable 5.1 (Xhigh, Default Fallback)	Anthropic	80.7
3	Claude Fable 5.1 (High, Default Fallback)	Anthropic	79.1
4	Claude Opus 5 (Max)	Anthropic	78.0
5	GPT-5.6 Sol (Max)	OpenAI	77.4
6	GPT-6 Astra (High)	OpenAI	77.1
7	Claude Fable 5.1 (Medium, Default Fallback)	Anthropic	77.1
8	Claude Opus 5 (Xhigh)	Anthropic	77.0
9	GPT-6 Astra (Max)	OpenAI	76.9
10	GPT-6 Astra (Medium)	OpenAI	76.7

Sumber: AA Coding Index · Snapshot 2026-10-19 · Diperbarui sesuai sumber

#	Model	Penyedia	Matematika
1	Claude Opus 5 (high)	Anthropic	77.3
2	Gemini-3.7-Flash	Google	76.8
3	Kimi-K2.6 (high)	Moonshot AI	75.7
4	Qwen3.8-Max	Alibaba	75.0
5	Doubao-Seed-2.1-Pro-260628 (high)	ByteDance	74.9
6	Kimi-K3 (high)	Moonshot AI	74.1
7	Grok-4.6 (high)	xAI	73.0
8	Hy3-preview (high)	Tencent	72.2
9	Claude Opus 4.8 (high)	Anthropic	71.5
10	GPT-5.6-Sol (high)	OpenAI	71.4

Sumber: OpenCompass · Snapshot 2026-08-24 · Diperbarui sesuai sumber

#	Model	Penyedia	Penalaran
1	Claude Opus 5 (high)	Anthropic	68.4
2	GPT-5.5 (high)	OpenAI	66.9
3	GPT-5.6-Sol (high)	OpenAI	66.8
4	Qwen3.8-Max	Alibaba	65.2
5	Doubao-Seed-2.1-Pro-260628 (high)	ByteDance	64.9
6	Claude Opus 4.8 (high)	Anthropic	64.1
7	Kimi-K3 (high)	Moonshot AI	63.9
8	Kimi-K2.6 (high)	Moonshot AI	62.9
9	Gemini-3.7-Flash	Google	62.1
10	GLM-5.3	Zhipu AI	62.0

#	Model	Penyedia	Agen
1	Kimi-K3(max)	月之暗面	75.8
2	Qwen3.8-Max(max)	阿里巴巴	68.4
3	DeepSeek-V4-Pro(max)	深度求索	63.2
4	DeepSeek-V4-Flash(max)	深度求索	59.0
5	Doubao-Seed-2.1-pro(high)	字节跳动	51.6
6	MiniMax-M3	稀宇科技	46.3
7	LongCat-2.0	美团	42.1

Sumber: SuperCLUE · Snapshot 2026-08-06 · Diperbarui sesuai sumber