BroadRouter

Alternatibo sa Artificial Analysis: saan ihahambing ang LLM sa 2026

Ng BroadNet Inference team · 7 minutong basa · Nailathala

Ang Artificial Analysis ang pangunahing independiyenteng source ng speed, latency at intelligence score ng LLM kada API provider. Iba ang sinusukat ng bawat alternatibo: preference ng tao ang niraranggo ng Arena, benchmark result ang inilalathala ng Epoch AI at Vals AI, paggamit ang niraranggo ng OpenRouter, at presyo lang ang inililista ng mga price database gaya ng sa BroadRouter (site ng BroadNet). Gumamit ng dalawa nang magkatabi, saka mag-test sa sarili mong data.

Madalas na unang pinupuntahan ang Artificial Analysis kapag naghahambing ka ng LLM API, dahil tinitiyempuhan nito ang totoong request sa bawat provider. Pero isang lente lang ito. Nagraranggo ang ibang site ayon sa boto ng tao, benchmark score, paggamit o presyo, at magkakaibang tanong ang sinasagot ng bawat isa. Inilalatag ng gabay na ito kung ano ang sinusukat ng bawat isa, paano, anong data ang makukuha mo, at kailan ito gamitin. Binasa ang bawat fact sa ibaba mula sa sariling page ng site noong Nobyembre 15, 2026.

Paunawa muna: sariling website ng BroadNet ang BroadRouter. Nagpapadala ito ng mga developer sa BroadNet Inference at naglalathala ng price data. Hindi ito nagbe-benchmark ng model, at nasa listahang ito lang ito para sa presyo.

Saan magaling ang Artificial Analysis?

Inilalarawan ng Artificial Analysis ang sarili bilang “Independent analysis of AI” (salin: independiyenteng pagsusuri ng AI). Ipinapaliwanag ng methodology page nito ang tatlong bagay na ginagawa nito na iilan lang ang gumagawa:

  • Speed kada endpoint ng provider. Ang output speed ay “output tokens per second over each request’s full duration” (salin: output token kada segundo sa buong tagal ng bawat request), kasama ang reasoning token, na ina-average “over the workloads we measured in the past 5 days” (salin: sa mga workload na sinukat namin sa nakaraang 5 araw). Dahil ang isang model ay “may have multiple endpoints across different providers” (salin: puwedeng may maraming endpoint sa iba’t ibang provider), makikita mong mas mabilis tumakbo ang parehong model sa isang host kaysa sa iba.
  • Latency na maihahambing. Iniuulat nito ang time to first token, time to first answer token (kasama ang reasoning, kaya patas ang paghahambing ng reasoning at hindi reasoning na model) at end-to-end na oras.
  • Sariling evaluation. Pinagsasama ng Intelligence Index v5.0.1 ang siyam na evaluation sa apat na grupong pantay ang timbang (knowledge work, coding, science, general). Ilan dito ay sarili nitong benchmark o sarili nitong pagpapatakbo ng task ng iba, may nakasaad na bilang ng ulit.

Saklaw ng provider leaderboard nito ang “over 500 AI Model endpoints” (salin: mahigit 500 AI model endpoint) na may gastos kada task, oras kada task, latency ng first answer token, error rate, context window at lisensiya. Ang mga presyo ay “the current prices listed by providers” (salin: ang kasalukuyang presyong nakalista ng mga provider), at gumagamit ang blended na presyo nito ng 7:2:1 na ratio ng cache-hit, input at output token. Baguhin sa isip ang halong iyon kung mabigat sa output ang workload mo.

Kung kailangan mo ng nasukat na speed at error rate kada provider, mahirap itong palitan. Naghahanap ng alternatibo ang mga tao kapag ibang signal ang gusto nila: preference ng tao, isang partikular na domain, raw data na mada-download, o listahan ng presyo na may source sa bawat row.

Ano-ano ang mga alternatibo sa Artificial Analysis?

Site Ano ang sinusukat Paraan Data na makukuha mo Pinakabagay para sa
Artificial Analysis Intelligence index, output speed, latency, error rate, presyo kada endpoint Nagpapatakbo ng sariling evaluation at tinitiyempuhang request; 5-araw na rolling window ng speed Libreng API, kailangan ng attribution Speed at latency kada provider
Arena (dating LMArena) Preference ng tao Sumasagot ang dalawang anonymous na model, bumoboto ang tao, saka ibinubunyag ang pangalan Bukas na preference dataset sa Hugging Face Kung paano tinatanggap ng tao ang mga sagot
Epoch AI Benchmarking Hub Benchmark score sa paglipas ng panahon Ito mismo ang nagpapatakbo ng ilang benchmark gamit ang Inspect; kinokolekta ang iba mula sa opisyal na leaderboard CSV at Python client; CC BY ang data nito Trend at raw na score
Vals AI Accuracy sa domain, gastos at latency 42 benchmark, ilan ay pribado o itinatabi Hindi nakasaad sa benchmarks page Legal, finance, tax at iba pang domain
OpenRouter rankings Paggamit Token na naproseso sa OpenRouter, sa araw-araw na UTC bucket Pampublikong models API na may presyo Ang talagang pinapatakbo ng mga developer
Open LLM Leaderboard (Hugging Face) Score ng open-weight na model Anim na benchmark sa Eleuther AI harness Results at requests dataset Paghahambing ng open na checkpoint
Price data ng BroadRouter (site ng BroadNet) Nakalathalang presyo lang Binasa mula sa sariling pricing page ng bawat provider, may URL, petsa at sipi CSV at JSON, CC BY 4.0 para sa compilation Pag-check ng presyo sa source nito

Paano naiiba ang Arena?

Hinihiling ng Arena (nagre-redirect na ang lmarena.ai sa arena.ai) sa totoong tao na ihambing ang dalawang anonymous na sagot at pumili ng isa. Lumalabas lang ang pangalan ng model pagkatapos ng boto. Preference ang sinusukat niyan, na pinaghahalo ang accuracy, tono, haba at formatting. May magkakahiwalay na board ang leaderboard nito, kasama ang Text, WebDev, Vision, Document at Search, at nagpapakita ng gastos kada task ang Pareto view nito. Sinasabi ng Arena na inilabas nito bilang open source ang preference data nito sa Hugging Face, na kapaki-pakinabang kung gusto mong pag-aralan ang mga boto sa halip na basahin lang ang ranggo.

Gamitin ito para makita kung paano tinatanggap ng tao ang isang sagot sa chat. Huwag itong gamitin para pumili ng provider para sa API: mga model ang niraranggo nito, hindi mga host, at wala itong sinasabi tungkol sa speed sa isang partikular na endpoint.

Kailan mas bagay ang Epoch AI at Vals AI?

Ang Epoch AI ay may database ng benchmark result, na sumusubaybay sa 99 na benchmark at 428 model nang i-check namin. Ito mismo ang nagpapatakbo ng ilang resulta gamit ang Inspect framework; galing ang iba sa mga opisyal na leaderboard ng mga gumawa ng benchmark. Puwede mong i-download ang data bilang CSV o gamitin ang Python client nito. Libreng gamitin ulit ang sarili nitong data basta may credit, sa ilalim ng CC BY; nananatili sa orihinal na lisensiya ang mga resultang galing sa labas. Piliin ang Epoch kapag raw na score o trend line ang gusto mo, hindi iisang index.

Ang Vals AI ay nagpapatakbo ng 42 benchmark sa legal, finance, healthcare, coding, math at iba pa, at pribado o itinatabi ang ilang set, na nagpapababa ng panganib na na-train ang model sa mismong test. Inihahambing ng mga leaderboard nito ang accuracy, gastos at latency, at inihahambing ng Inference Provider Index nito ang mga provider sa accuracy, gastos at speed. Tinitimbang ng composite na Vals Index nito ang mga sektor ayon sa bahagi nila sa GDP ng US. Piliin ang Vals kapag kahawig ng isa sa mga domain nito ang task mo.

Ano talaga ang ipinapakita ng OpenRouter rankings?

Paggamit. Niraranggo ang bawat model ayon sa “tokens it processed through the OpenRouter API” (salin: mga token na naproseso nito sa OpenRouter API), prompt at completion nang magkasama, sa nakaraang isa, pito o tatlumpung araw. Malinaw na sinasabi ng page na ang rankings ay “do not rank models by accuracy, reasoning ability, or benchmark performance” (salin: hindi nagraranggo ng model ayon sa accuracy, kakayahang mag-reason o benchmark performance). Umaakyat sa table ang model na sumusulat ng mahahabang sagot o tumatakbo sa mahahabang agent loop. Basahin ito bilang signal ng kasikatan at listahan ng mga model na sulit i-test. May pampublikong models endpoint din ang OpenRouter na may presyo kada model, na sumasaklaw sa sinisingil ng OpenRouter, hindi sa direktang sinisingil ng bawat host.

Sulit pa bang gamitin ang Hugging Face Open LLM Leaderboard?

Para sa open-weight na checkpoint, oo, nang maingat. Sinasabi ng documentation ng Hugging Face na na-archive at napalitan ang unang bersyon noong Hunyo 2024. Sine-score ng kasalukuyang bersyon ang mga model sa IFEval, BBH, MATH level 5, GPQA, MuSR at MMLU-Pro sa Eleuther AI evaluation harness, at inilalathala ang resulta bilang mga dataset. Mga model file ang ine-evaluate nito, hindi hosted na API, kaya hindi nito masasabi sa iyo ang presyo, speed o kung paano sine-serve ng provider ang model.

Saan maihahambing ang mga Arabic na model?

Kaunti ang sinasabi ng mga pangkalahatang leaderboard tungkol sa Arabic, at walang wika sa mga nakikitang filter ng Arena. Dalawang Hugging Face Space ang pumupuno sa bahagi ng kakulangan:

  • Ang Open Arabic LLM Leaderboard, pinapatakbo ng organisasyong OALL, para sa Arabic na text.
  • Ang Open Universal Arabic ASR Leaderboard, na inilalarawan bilang “a benchmark for open-source multi-dialect Arabic ASR models” (salin: benchmark para sa open-source na multi-dialect na Arabic ASR model), para sa speech recognition. Iniuulat ng BroadNet ang Transcribe Arabic model nito sa ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito). Numero iyan ng BroadNet, at nagbabago ang board habang nadaragdagan ng model.

Basahin ang resulta ng speech ayon sa dialect, hindi lang ang average. Ipinapakita ng paliwanag sa word error rate ng Arabic ASR kung paano.

Saan pumapasok ang price data ng BroadRouter?

Tatlong price resource ang inilalathala ng BroadRouter: ang mga LLM API pricing page kada model, ang price index na may median at spread, at ang raw na database ng presyo ng provider. Binasa ang bawat row mula sa sariling pricing page ng provider at nakatabi kasama ang source URL, petsa at verbatim na sipi, at kinukuha ulit ng lingguhang script ang mga source. Walang ginagamit na aggregator feed.

Kasinghalaga ang hindi nito ginagawa:

  • Walang sinusukat na speed, latency, uptime o quality. Para sa mga iyon, gamitin ang Artificial Analysis, Arena, Epoch AI o Vals AI.
  • Presyo lang ng third party ang laman nito. Nasa pricing.json nito at sa pricing page ang sariling presyo ng BroadNet.
  • Site ito ng BroadNet, kaya ituring itong compilation ng isang vendor na puwede mong i-check row kada row, hindi neutral na hukom.

Paano mo pagsasamahin ang mga site na ito?

  1. Mag-shortlist ayon sa quality. Gamitin ang Arena para sa dating ng chat at ang Epoch AI o Vals AI para sa task score sa domain mo. Magtira ng tatlo hanggang limang model.
  2. I-check ang speed sa host na gagamitin mo. Ipinapakita ng Artificial Analysis ang speed at latency kada endpoint. Saklaw ng paliwanag sa LLM latency kung aling numero ang mahalaga para sa app mo.
  3. I-check ang presyo sa source. Gumamit ng price database para mahanap ang mga provider, saka buksan ang sariling page ng bawat provider. Bantayan ang presyo ng cached input at output, na mas nagpapagalaw sa bill kaysa sa input para sa maraming workload.
  4. Mag-test sa sarili mong data. Patakbuhin ang 50 hanggang 100 totoong input sa bawat finalist at i-score ang mga ito. Nahuhulaan lang ng isang benchmark ang resulta mo hangga’t kahawig ng mga task nito ang sa iyo. Ibinibigay ng paano mag-evaluate ng LLM bago lumipat ang metodo, at saklaw ng 20-point na checklist sa provider ang mga limit, privacy at support.

Saan pumapasok ang BroadNet Inference

Ang BroadNet Inference ay OpenAI-compatible na API, hindi leaderboard. Maliit na set ng model ang sine-serve nito: DeepSeek V4.1 Flash (hosted ng partner), GLM 5.3, Qwen3.8 27B, Gemma 4 VL 26B at dalawang speech-to-text na model. Para sa GLM 5.3 at Qwen3.8 27B lang naka-document ang tool calling at structured output. Walang SLA ang mga self-serve na account, at walang batch API o embeddings. Kung pumasok sa shortlist mo ang isa sa mga model na ito, saklaw ng $5 na panimulang credit ang Gemma 4 VL 26B, ang dalawang Transcribe model at ang Gemma hourly key, kaya mapapatakbo mo ang hakbang 4 sa sarili mong input bago magbayad; kailangan ng top-up ang DeepSeek, GLM at Qwen. Hindi itinatago ang mga prompt at sagot. Ihambing ang mga model o gumawa ng account.

Mga tanong

Ano ang pinakamagandang alternatibo sa Artificial Analysis?

Depende sa gusto mong ihambing. Para sa preference ng tao, gamitin ang Arena. Para sa benchmark score na puwede mong i-download, ang Epoch AI. Para sa mga domain task gaya ng legal, finance at tax, ang Vals AI. Para sa talagang pinapatakbo ng mga developer, ang OpenRouter rankings. Para sa nasukat na speed kada provider, walang malapit na kapalit ang Artificial Analysis mismo sa mga site na ito.

May API ba ang Artificial Analysis?

Oo. Inilalarawan ng documentation nito (sinuri noong Nobyembre 15, 2026) ang libreng API na "focused on model benchmarks" (salin: nakatuon sa mga benchmark ng model), gamit ang key mula sa Insights Platform nito. Kailangan ng attribution sa artificialanalysis.ai sa lahat ng paggamit ng libreng API. May commercial API na may mas maraming data na iniaalok sa mga partner.

May silbi pa ba ang Hugging Face Open LLM Leaderboard?

Na-archive ang unang bersyon nito noong Hunyo 2024, ayon sa documentation ng Hugging Face. Sine-score ng bersyon 2 ang mga open-weight na model sa anim na benchmark gaya ng IFEval, GPQA at MMLU-Pro, at nasa pampublikong dataset ang resulta. Open-weight na checkpoint ang saklaw nito, hindi hosted na API, at wala itong sinasabi tungkol sa presyo o speed.

Ipinapakita ba ng OpenRouter rankings kung aling model ang pinakamahusay?

Hindi. Sinasabi ng rankings page na binibilang nito ang token na naproseso sa OpenRouter at "do not rank models by accuracy, reasoning ability, or benchmark performance" (salin: hindi nito niraranggo ang mga model ayon sa accuracy, kakayahang mag-reason o benchmark performance). Kasikatan ang ipinapakita nito, na pinalalaki ng mga verbose na model at mahahabang agent loop.

Nagbe-benchmark ba ng model ang BroadRouter?

Hindi. Sariling website ng BroadNet ang BroadRouter. Naglalathala ito ng presyong binasa mula sa sariling page ng mga provider, may source at petsa, at mga sukat ng tokenizer. Hindi nito sinusukat ang speed, latency o quality ng sagot, kaya hindi ito kapalit ng Artificial Analysis o ng benchmark site.

Saan ko maihahambing ang mga Arabic na model?

Para sa Arabic na text, ang Open Arabic LLM Leaderboard (OALL) sa Hugging Face. Para sa Arabic speech recognition, ang Open Universal Arabic ASR Leaderboard, na naglalarawan sa sarili bilang benchmark para sa open-source na multi-dialect na Arabic ASR model. Basahin ang word error rate ayon sa dialect, hindi lang ang average.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity

Mga source