Model test sonuçları

Yapay zekâ modellerini karşılaştır

Her gün kontrol edilir

Sonuçları karşılaştırın, farklı güçlü yönleri keşfedin ve bilinen isimlerin ötesindeki modelleri inceleyin.

LiveBench, modelleri yanıtları doğrulanabilir görevlerde test eder. 0–100 ölçeğinde yüksek puan daha iyidir.

Son kontrol: 22 Eki 2026Test paketi sürümü: 2026-10-1449 model

1Claude Fable 5.1Anthropic87,986

claude-fable-5.1

Uzun ajan görevleri: 80,800 / 100
Akıl yürütme: 91,700 / 100
Kodlama: 97,700 / 100
Tarayıcı kullanımı: 100,000 / 100
Veri analizi: 80,300 / 100
Araştırma: 82,000 / 100
Tasarım: 83,400 / 100

Tek tek görevler

long_agentic: 80,800
reasoning: 91,700
coding: 97,700
browser: 100,000
data_analysis: 80,300
research: 82,000
design: 83,400

Kaynak: LiveBench ↗

2Claude Opus 5.5Anthropic86,529

claude-opus-5.5

Uzun ajan görevleri: 85,000 / 100
Akıl yürütme: 92,200 / 100
Kodlama: 96,300 / 100
Tarayıcı kullanımı: 80,000 / 100
Veri analizi: 80,300 / 100
Araştırma: 85,000 / 100
Tasarım: 86,900 / 100

Tek tek görevler

long_agentic: 85,000
reasoning: 92,200
coding: 96,300
browser: 80,000
data_analysis: 80,300
research: 85,000
design: 86,900

Kaynak: LiveBench ↗

3GPT-6 AstraOpenAI86,143

gpt-6-astra

Uzun ajan görevleri: 82,400 / 100
Akıl yürütme: 92,700 / 100
Kodlama: 93,700 / 100
Tarayıcı kullanımı: 84,000 / 100
Veri analizi: 83,000 / 100
Araştırma: 85,200 / 100
Tasarım: 82,000 / 100

Tek tek görevler

long_agentic: 82,400
reasoning: 92,700
coding: 93,700
browser: 84,000
data_analysis: 83,000
research: 85,200
design: 82,000

Kaynak: LiveBench ↗

4GPT-6.1 SolOpenAI85,414

gpt-6.1-sol

Uzun ajan görevleri: 73,000 / 100
Akıl yürütme: 92,600 / 100
Kodlama: 96,000 / 100
Tarayıcı kullanımı: 88,000 / 100
Veri analizi: 82,700 / 100
Araştırma: 83,500 / 100
Tasarım: 82,100 / 100

Tek tek görevler

long_agentic: 73,000
reasoning: 92,600
coding: 96,000
browser: 88,000
data_analysis: 82,700
research: 83,500
design: 82,100

Kaynak: LiveBench ↗

5Gemini 4 ArgonGoogle84,100

gemini-4-argon

Uzun ajan görevleri: 69,900 / 100
Akıl yürütme: 95,100 / 100
Kodlama: 89,700 / 100
Tarayıcı kullanımı: 92,000 / 100
Veri analizi: 85,200 / 100
Araştırma: 83,100 / 100
Tasarım: 73,700 / 100

Tek tek görevler

long_agentic: 69,900
reasoning: 95,100
coding: 89,700
browser: 92,000
data_analysis: 85,200
research: 83,100
design: 73,700

Kaynak: LiveBench ↗

6Claude Fable 5Anthropic83,614

claude-fable-5

Uzun ajan görevleri: 53,200 / 100
Akıl yürütme: 89,700 / 100
Kodlama: 98,300 / 100
Tarayıcı kullanımı: 92,000 / 100
Veri analizi: 80,500 / 100
Araştırma: 86,900 / 100
Tasarım: 84,700 / 100

Tek tek görevler

long_agentic: 53,200
reasoning: 89,700
coding: 98,300
browser: 92,000
data_analysis: 80,500
research: 86,900
design: 84,700

Kaynak: LiveBench ↗

7Claude Sonnet 5.5Anthropic82,457

claude-sonnet-5.5

Uzun ajan görevleri: 78,800 / 100
Akıl yürütme: 91,600 / 100
Kodlama: 94,700 / 100
Tarayıcı kullanımı: 84,000 / 100
Veri analizi: 59,500 / 100
Araştırma: 83,600 / 100
Tasarım: 85,000 / 100

Tek tek görevler

long_agentic: 78,800
reasoning: 91,600
coding: 94,700
browser: 84,000
data_analysis: 59,500
research: 83,600
design: 85,000

Kaynak: LiveBench ↗

8Claude Opus 5Anthropic82,086

claude-opus-5

Uzun ajan görevleri: 62,100 / 100
Akıl yürütme: 91,200 / 100
Kodlama: 90,800 / 100
Tarayıcı kullanımı: 84,000 / 100
Veri analizi: 74,600 / 100
Araştırma: 88,900 / 100
Tasarım: 83,000 / 100

Tek tek görevler

long_agentic: 62,100
reasoning: 91,200
coding: 90,800
browser: 84,000
data_analysis: 74,600
research: 88,900
design: 83,000

Kaynak: LiveBench ↗

9GPT-6 SolOpenAI81,914

gpt-6-sol

Uzun ajan görevleri: 66,900 / 100
Akıl yürütme: 88,700 / 100
Kodlama: 93,100 / 100
Tarayıcı kullanımı: 92,000 / 100
Veri analizi: 81,200 / 100
Araştırma: 69,300 / 100
Tasarım: 82,200 / 100

Tek tek görevler

long_agentic: 66,900
reasoning: 88,700
coding: 93,100
browser: 92,000
data_analysis: 81,200
research: 69,300
design: 82,200

Kaynak: LiveBench ↗

10DeepSeek V4.1 Flash 1017DeepSeek79,200

deepseek-v4.1-flash-1017

Uzun ajan görevleri: 50,900 / 100
Akıl yürütme: 89,100 / 100
Kodlama: 96,000 / 100
Tarayıcı kullanımı: 76,000 / 100
Veri analizi: 79,500 / 100
Araştırma: 79,500 / 100
Tasarım: 83,400 / 100

Tek tek görevler

long_agentic: 50,900
reasoning: 89,100
coding: 96,000
browser: 76,000
data_analysis: 79,500
research: 79,500
design: 83,400

Kaynak: LiveBench ↗

11Muse Wonder 1.0Meta78,100

muse-wonder-1.0

Uzun ajan görevleri: 53,200 / 100
Akıl yürütme: 90,600 / 100
Kodlama: 86,200 / 100
Tarayıcı kullanımı: 72,000 / 100
Veri analizi: 81,600 / 100
Araştırma: 88,000 / 100
Tasarım: 75,100 / 100

Tek tek görevler

long_agentic: 53,200
reasoning: 90,600
coding: 86,200
browser: 72,000
data_analysis: 81,600
research: 88,000
design: 75,100

Kaynak: LiveBench ↗

12DeepSeek V4.1 FlashDeepSeek78,043

deepseek-v4.1-flash

Uzun ajan görevleri: 40,100 / 100
Akıl yürütme: 86,700 / 100
Kodlama: 90,200 / 100
Tarayıcı kullanımı: 84,000 / 100
Veri analizi: 79,300 / 100
Araştırma: 86,800 / 100
Tasarım: 79,200 / 100

Tek tek görevler

long_agentic: 40,100
reasoning: 86,700
coding: 90,200
browser: 84,000
data_analysis: 79,300
research: 86,800
design: 79,200

Kaynak: LiveBench ↗

13Claude Opus 4.8Anthropic76,771

claude-opus-4.8

Uzun ajan görevleri: 48,300 / 100
Akıl yürütme: 89,200 / 100
Kodlama: 77,300 / 100
Tarayıcı kullanımı: 96,000 / 100
Veri analizi: 66,000 / 100
Araştırma: 81,800 / 100
Tasarım: 78,800 / 100

Tek tek görevler

long_agentic: 48,300
reasoning: 89,200
coding: 77,300
browser: 96,000
data_analysis: 66,000
research: 81,800
design: 78,800

Kaynak: LiveBench ↗

14GPT-5.6 SolOpenAI76,257

gpt-5.6-sol

Uzun ajan görevleri: 48,500 / 100
Akıl yürütme: 91,700 / 100
Kodlama: 89,700 / 100
Tarayıcı kullanımı: 88,000 / 100
Veri analizi: 79,800 / 100
Araştırma: 54,500 / 100
Tasarım: 81,600 / 100

Tek tek görevler

long_agentic: 48,500
reasoning: 91,700
coding: 89,700
browser: 88,000
data_analysis: 79,800
research: 54,500
design: 81,600

Kaynak: LiveBench ↗

15Claude Haiku 5.5Anthropic75,643

claude-haiku-5.5

Uzun ajan görevleri: 57,600 / 100
Akıl yürütme: 82,400 / 100
Kodlama: 91,400 / 100
Tarayıcı kullanımı: 80,000 / 100
Veri analizi: 53,100 / 100
Araştırma: 81,900 / 100
Tasarım: 83,100 / 100

Tek tek görevler

long_agentic: 57,600
reasoning: 82,400
coding: 91,400
browser: 80,000
data_analysis: 53,100
research: 81,900
design: 83,100

Kaynak: LiveBench ↗

16GPT-5.6 TerraOpenAI74,986

gpt-5.6-terra

Uzun ajan görevleri: 48,400 / 100
Akıl yürütme: 90,600 / 100
Kodlama: 86,200 / 100
Tarayıcı kullanımı: 84,000 / 100
Veri analizi: 79,300 / 100
Araştırma: 60,400 / 100
Tasarım: 76,000 / 100

Tek tek görevler

long_agentic: 48,400
reasoning: 90,600
coding: 86,200
browser: 84,000
data_analysis: 79,300
research: 60,400
design: 76,000

Kaynak: LiveBench ↗

17Grok 4.6 xHighxAI74,943

grok-4.6

Uzun ajan görevleri: 40,700 / 100
Akıl yürütme: 91,200 / 100
Kodlama: 89,100 / 100
Tarayıcı kullanımı: 64,000 / 100
Veri analizi: 75,300 / 100
Araştırma: 84,500 / 100
Tasarım: 79,800 / 100

Tek tek görevler

long_agentic: 40,700
reasoning: 91,200
coding: 89,100
browser: 64,000
data_analysis: 75,300
research: 84,500
design: 79,800

Kaynak: LiveBench ↗

18MiMo V2.6 ProXiaomi74,871

mimo-v2.6-pro

Uzun ajan görevleri: 47,500 / 100
Akıl yürütme: 79,600 / 100
Kodlama: 81,500 / 100
Tarayıcı kullanımı: 88,000 / 100
Veri analizi: 72,300 / 100
Araştırma: 76,700 / 100
Tasarım: 78,500 / 100

Tek tek görevler

long_agentic: 47,500
reasoning: 79,600
coding: 81,500
browser: 88,000
data_analysis: 72,300
research: 76,700
design: 78,500

Kaynak: LiveBench ↗

19Muse Spark 1.3Meta74,757

muse-spark-1.3

Uzun ajan görevleri: 40,400 / 100
Akıl yürütme: 89,700 / 100
Kodlama: 90,200 / 100
Tarayıcı kullanımı: 80,000 / 100
Veri analizi: 79,600 / 100
Araştırma: 68,600 / 100
Tasarım: 74,800 / 100

Tek tek görevler

long_agentic: 40,400
reasoning: 89,700
coding: 90,200
browser: 80,000
data_analysis: 79,600
research: 68,600
design: 74,800

Kaynak: LiveBench ↗

20Grok 4.7xAI74,086

grok-4.7

Uzun ajan görevleri: 50,100 / 100
Akıl yürütme: 82,700 / 100
Kodlama: 84,500 / 100
Tarayıcı kullanımı: 60,000 / 100
Veri analizi: 76,900 / 100
Araştırma: 86,400 / 100
Tasarım: 78,000 / 100

Tek tek görevler

long_agentic: 50,100
reasoning: 82,700
coding: 84,500
browser: 60,000
data_analysis: 76,900
research: 86,400
design: 78,000

Kaynak: LiveBench ↗

Sıralama, yuvarlanmamış sonuçlara göre yapılır. Puanların benzer olması, aralarında anlamlı bir fark olduğunu göstermez.

Her model ayarı ayrı tutulur. Bir kategori ortalaması için o kategorideki tüm görevlerin; genel ortalama içinse tüm kategorilerin sonuçları gerekir. Kategori içindeki görevler eşit, genel ortalamadaki kategoriler de eşit ağırlıktadır. Eksik sonuçlar hiçbir zaman sıfır sayılmaz. Sıralamalar, seçilen sütundaki yuvarlanmamış değerlerle belirlenir; eşit puanlar aynı sırayı alır. Arama sonuçlarında tam testteki sıralama korunur. Eski puanlar sıralamayı belirleyemez. Gösterilen ondalık basamaklar anlamlı bir fark olduğunu kanıtlamaz. Bu görünüm tek bir test paketini kapsar; güncel tüm modelleri veya her tür beceriyi kapsamaz.

Karşılaştırma nasıl yapılıyor?

Burada gösterilen genel puan, aynı benchmark sürümündeki tüm LiveBench kategorilerinin eşit ağırlıklı ortalamasıdır. Toplam puan için her görevde sonuç bulunması gerekir. Tercihi ölçtükleri için Arena puanları ayrı tutulur. Sürümler ve akıl yürütme ayarları farklı olabileceğinden, kaynaklardaki benzer adlı modelleri eşleştirmiyoruz. Bu testler her modeli veya gerçek dünyadaki her görevi kapsamaz.

Kaynak veriler: LiveBench; Arena / LMArena (CC BY 4.0). Oossa, gösterilen görev ortalamalarını hesaplar ve sonuçları daha anlaşılır bir biçimde sunar. Arena ↗ · Kaynak ↗ · CC BY 4.0 ↗