Sıkça sorulan sorular

SWE-bench Verified nedir ve neden önemlidir?

SWE-bench Verified, 500 insan onaylı gerçek GitHub sorunundan oluşan bir kıyaslamadır. Modellere bir depo ve başarısız bir test verilir — testi geçiren bir kod düzeltmesi üretmeleri gerekir. Gerçek dünya yazılım mühendisliği çalışmalarına en yakın kıyaslamadır. 2026 ortası itibarıyla, Claude Fable 5 %95 ile liderdir, onu GPT-5.5 (%88,7) ve Claude Opus 4.8 (%88,6) takip etmektedir.

Lider tablosundaki SR ve 3P etiketleri ne anlama geliyor?

SR, puanın model sağlayıcısı tarafından resmi model kartında, teknik raporunda veya lansman blogunda kendi bildirdiği anlamına gelir. 3P, puanın Artificial Analysis, ARC Prize Foundation veya NIST/CAISI gibi bir üçüncü taraf tarafından bağımsız olarak ölçüldüğü anlamına gelir. Üçüncü taraf puanları, standart değerlendirme koşulları kullandıkları için birebir karşılaştırmalarda daha güvenilirdir.

DeepSeek V4-Pro neden iki farklı SWE-bench puanı gösteriyor?

DeepSeek V4-Pro, SWE-bench Verified'da kendi bildirdiği %80,6 puana sahiptir, ancak NIST/CAISI bağımsız olarak %74,0 ölçmüştür — 6,6 puanlık bir fark. Fark, altyapı kurulumu, sistem-prompt yapısı ve token bütçesi ayarlarına atfedilmektedir. Lider tablosunda her iki sayıyı da gösteriyoruz, böylece tutarsızlığı kendiniz değerlendirebilirsiniz.

GPQA Diamond nedir?

GPQA Diamond, biyoloji, kimya ve fizik alanlarında, alan uzmanları tarafından Google aramasının cevaplayamayacağı şekilde yazılmış lisansüstü düzeyinde sorulardan oluşan bir kıyaslamadır. Haziran 2026 itibarıyla, Claude Opus 4.8 ve GPT-5.5 %93,6 ile eşit durumda, onu Qwen 3.7-Max (%92,4) ve Claude Opus 4.6 (%91,3) takip etmektedir. İnsan doktora uzmanları aynı sorularda ~%65 puan almaktadır.

FlowHunt'ta kodlama görevleri için en iyi AI modeli hangisidir?

Gerçek dünya GitHub tarzı kodlama (SWE-bench Verified) için Claude Fable 5 %95 ile, GPT-5.5 ise %88,7 ile liderdir. Rekabetçi programlama (LiveCodeBench) için DeepSeek V4-Pro %93,5 ile liderdir. Ajan tabanlı çok dilli kodlama (SWE-bench Pro) için Qwen 3.7-Max %60,6 ile liderdir. 'FlowHunt'ta' olarak işaretlenen tüm modeller platformda doğrudan kullanılabilir.

ARC-AGI-2 nedir ve kim liderdir?

ARC-AGI-2, eğitim verilerini ezberleyerek çözülemeyen, ARC Prize Foundation tarafından bağımsız olarak doğrulanmış yeni görsel desen tanıma görevlerinden oluşan bir kıyaslamadır. Haziran 2026 itibarıyla, Claude Opus 4.6 %69,17 (3P doğrulanmış) ile liderdir, onu Claude Sonnet 4.6 (%58,3) takip etmektedir. İnsan temel çizgisi ~%60'tır.

Artificial Analysis (AA) Zeka Endeksi nedir?

Artificial Analysis Zeka Endeksi, hiçbir sağlayıcı tarafından kendi bildirilmeyen bağımsız bir bileşik puandır. Mevcut liderler: Claude Opus 4.8 (61,4 puan), GPT-5.5 (60,2 puan), Claude Opus 4.7 (57,3 puan), Qwen 3.7-Max (56,6 puan), DeepSeek V4-Pro (52 puan). Bunlar, aynı koşullar altında ölçüldükleri için doğrudan karşılaştırılabilir.

Açık ağırlıklı ve kapalı AI modelleri arasındaki fark nedir?

Açık ağırlıklı modeller, eğitilmiş ağırlıklarını kendi barındırma için yayınlar. Kapalı modeller yalnızca API'dir. Bu lider tablosundaki açık ağırlıklı sınır modelleri arasında DeepSeek V4-Pro (49B/1,6T MoE), MiniMax M3, Nemotron 3 Ultra (55B/550B MoE), Mistral Large 3 (41B/675B MoE) ve tüm Meta Llama 4 varyantları bulunur. Açık ağırlıklı modeller veri gizliliği, özelleştirme ve token başına maliyet olmaması sunar.

Bu lider tablosu ne sıklıkla güncelleniyor?

Lider tablosu, önemli yeni kıyaslama sonuçları yayınlandığında veya bağımsız olarak doğrulandığında güncellenir. Puanlar 12 Haziran 2026 itibarıyla günceldir. Her puan, kaynağı her zaman bilmeniz için SR (kendi bildirilen) veya 3P (üçüncü taraf) olarak etiketlenir. Her modelin ayrıca daha derin bir kıyaslama dökümü içeren kendi sayfası bulunur.