Pilih kemampuan sebelum harga
Setiap model di API Compare menampilkan input yang dilaporkan dalam katalog, pemanggilan alat, dan kemampuan output terstruktur di samping harga. Ini adalah persyaratan antarmuka, bukan peringkat kualitas yang diuji secara independen. Tidak adanya tanda katalog tidak diketahui, bukan merupakan kegagalan terukur. Input gambar berarti memahami gambar, bukan menghasilkan gambar.
Standar evaluasi & sumber asli
Pilih evaluasi yang sesuai dengan tugas Anda. Sumber di bawah ini adalah proyek evaluasi independen, bukan dukungan dari TokenPico. Tautan ini menjelaskan standarnya; mereka tidak menyatakan bahwa setiap model dalam katalog kami muncul di setiap papan peringkat.
Indeks Kecerdasan Analisis Buatan
Penalaran & pengetahuan umum
Gabungan dari beberapa evaluasi. Bandingkan versi indeks dan pengaturan alasan yang sama. Terutama bahasa Inggris dan teks; itu tidak menghasilkan kualitas gambar, audio atau multibahasa.
Metodologi asli ↗ · Hasil asli ↗
LiveBench
Penalaran, matematika & mengikuti instruksi
Menggunakan jawaban kebenaran dasar yang obyektif di berbagai tugas. Periksa rilis benchmark, kategori, versi model, dan pengaturan inferensi; rilis tidak dapat dipertukarkan.
Metodologi asli ↗ · Hasil asli ↗
LiveCodeBench
Pembuatan kode & pemecahan masalah
Mengevaluasi kode dengan tes eksekusi dan rangkaian masalah bertanggal. Cocokkan tugas, rentang tanggal masalah, pengaturan pengambilan sampel, dan pass@k; pengkodean kontes tidak sama dengan memelihara aplikasi.
Metodologi asli ↗ · Hasil asli ↗
Bangku SWE Terverifikasi
Agen rekayasa perangkat lunak
Melaporkan persentase masalah repositori yang terselesaikan. Model, memanfaatkan agen, alat dan anggaran bersama-sama menentukan hasilnya. Bandingkan subset dan harness Terverifikasi yang sama.
Metodologi asli ↗ · Hasil asli ↗
Bagaimana skor bisa masuk perbandingan ini
Memerlukan pencocokan model/versi yang tepat, versi tolok ukur atau rentang tanggal masalah, pengaturan alasan, pemanfaatan agen dan alat jika relevan, anggaran inferensi/token, skala skor, tanggal hasil, sumber asli, dan izin untuk menerbitkan ulang. Hasil yang dilaporkan vendor dan proses independen harus diberi label secara terpisah. Jangan pernah mewarisi skor keluarga atau menggabungkan skala tolok ukur yang berbeda ke dalam skor keseluruhan yang diciptakan.
Skor kualitas: tidak diimpor berarti tidak ada otorisasi, hasil konfigurasi yang cocok terlampir di sini. Hal ini tidak berarti nol, kualitas buruk, atau tidak adanya pengujian di tempat lain. Tidak ada rekomendasi penyortiran kualitas, harga per skor, atau model terbaik yang diaktifkan tanpa bukti pembanding.
Analisis Buatan menyediakan metodologi berversi dan API data dengan ketentuan atribusi dan lisensi. Visibilitas publik saja bukanlah izin publikasi ulang. Atribusi dan lisensi API ↗
Referensi sumber diperiksa pada 25 Oktober 2026. Rilis pengujian dan cakupan dapat berubah; konsultasikan hasil aslinya sebelum memilih model. Validasi model terpilih pada tugas representatif Anda sendiri.