Artificial Analysis sering menjadi tempat pertama apabila anda membandingkan API LLM, kerana ia mengukur masa permintaan sebenar kepada setiap penyedia. Tetapi ia hanya satu lensa. Laman lain menyusun mengikut undian manusia, skor penanda aras, penggunaan atau harga, dan setiap satu menjawab soalan berbeza. Panduan ini menerangkan apa yang diukur oleh setiap satu, bagaimana, data apa yang boleh anda ambil, dan bila menggunakannya. Setiap fakta di bawah dibaca daripada halaman laman itu sendiri pada 15 November 2026.
Pendedahan dahulu: BroadRouter ialah laman web BroadNet sendiri. Ia menghantar pembangun ke BroadNet Inference dan menerbitkan data harga. Ia tidak membuat penanda aras model, dan ia muncul dalam senarai ini hanya untuk harga.
Apakah kekuatan Artificial Analysis?
Artificial Analysis menggambarkan dirinya sebagai “Independent analysis of AI” (Terjemahan: analisis AI yang bebas). Halaman metodologinya menerangkan tiga perkara yang dilakukannya yang jarang dilakukan oleh pihak lain:
- Kelajuan bagi setiap endpoint penyedia. Kelajuan output ialah “output tokens per second over each request’s full duration” (Terjemahan: token output sesaat sepanjang tempoh penuh setiap permintaan), termasuk token penaakulan, dipuratakan “over the workloads we measured in the past 5 days” (Terjemahan: merentas beban kerja yang kami ukur dalam 5 hari lalu). Oleh kerana satu model “may have multiple endpoints across different providers” (Terjemahan: mungkin mempunyai berbilang endpoint merentas penyedia berbeza), anda boleh melihat model yang sama berjalan lebih pantas di satu hos berbanding yang lain.
- Kependaman yang boleh dibandingkan. Ia melaporkan masa ke token pertama, masa ke token jawapan pertama (yang merangkumi penaakulan, jadi model penaakulan dan bukan penaakulan dibandingkan secara adil) dan masa hujung ke hujung.
- Penilaiannya sendiri. Intelligence Index v5.0.1 menggabungkan sembilan penilaian dalam empat kumpulan berpemberat sama (kerja pengetahuan, pengekodan, sains, umum). Beberapa daripadanya ialah penanda arasnya sendiri atau larian sendiri bagi tugas pihak lain, dengan bilangan ulangan yang dinyatakan.
Papan pendahulu penyedianya merangkumi “over 500 AI Model endpoints” (Terjemahan: lebih 500 endpoint model AI) dengan kos setiap tugas, masa setiap tugas, kependaman token jawapan pertama, kadar ralat, tetingkap konteks dan lesen. Harga ialah “the current prices listed by providers” (Terjemahan: harga semasa yang disenaraikan oleh penyedia), dan harga campurannya menggunakan nisbah 7:2:1 bagi token cache-hit, input dan output. Ubah campuran itu dalam kepala anda jika beban kerja anda berat pada output.
Jika anda memerlukan kelajuan dan kadar ralat yang diukur mengikut penyedia, ia sukar diganti. Orang mencari alternatif apabila mereka mahukan isyarat berbeza: keutamaan manusia, domain tertentu, data mentah yang boleh dimuat turun, atau senarai harga dengan sumber bagi setiap baris.
Apakah alternatif kepada Artificial Analysis?
| Laman | Apa yang diukur | Kaedah | Data yang boleh anda ambil | Paling sesuai untuk |
|---|---|---|---|---|
| Artificial Analysis | Indeks kecerdasan, kelajuan output, kependaman, kadar ralat, harga setiap endpoint | Menjalankan penilaian sendiri dan permintaan bermasa; tetingkap kelajuan bergulir 5 hari | API percuma, atribusi diperlukan | Kelajuan dan kependaman mengikut penyedia |
| Arena (dahulu LMArena) | Keutamaan manusia | Dua model tanpa nama menjawab, seseorang mengundi, nama didedahkan selepas itu | Set data keutamaan terbuka di Hugging Face | Bagaimana jawapan dirasai oleh manusia |
| Epoch AI Benchmarking Hub | Skor penanda aras dari semasa ke semasa | Menjalankan sesetengah penanda aras sendiri dengan Inspect; mengumpul yang lain daripada papan pendahulu rasmi | CSV dan klien Python; datanya CC BY | Trend dan skor mentah |
| Vals AI | Ketepatan domain, kos dan kependaman | 42 penanda aras, sesetengahnya peribadi atau disimpan berasingan | Tidak dinyatakan di halaman penanda aras | Undang-undang, kewangan, cukai dan domain lain |
| Kedudukan OpenRouter | Penggunaan | Token yang diproses melalui OpenRouter, dalam baldi UTC harian | API model awam dengan harga | Apa yang sebenarnya dijalankan pembangun |
| Open LLM Leaderboard (Hugging Face) | Skor model open-weight | Enam penanda aras dalam harness Eleuther AI | Set data keputusan dan permintaan | Membandingkan checkpoint terbuka |
| Data harga BroadRouter (laman BroadNet) | Harga terbitan sahaja | Dibaca daripada halaman harga setiap penyedia sendiri, dengan URL, tarikh dan petikan | CSV dan JSON, CC BY 4.0 untuk kompilasi | Menyemak harga pada sumbernya |
Bagaimanakah Arena berbeza?
Arena (lmarena.ai kini dihalakan ke arena.ai) meminta orang sebenar membandingkan dua jawapan tanpa nama dan memilih satu. Nama model hanya muncul selepas undian. Itu mengukur keutamaan, yang mencampurkan ketepatan dengan nada, panjang dan format. Papan pendahulunya mempunyai papan berasingan, termasuk Text, WebDev, Vision, Document dan Search, dan paparan Pareto menunjukkan kos setiap tugas. Arena menyatakan ia telah menjadikan data keutamaannya sumber terbuka di Hugging Face, yang berguna jika anda mahu mengkaji undian dan bukannya sekadar membaca kedudukan.
Gunakannya untuk melihat bagaimana jawapan chat diterima orang. Jangan gunakannya untuk memilih penyedia API: ia menyusun model, bukan hos, dan tidak menyatakan apa-apa tentang kelajuan pada endpoint tertentu.
Bilakah Epoch AI dan Vals AI lebih sesuai?
Epoch AI menyimpan pangkalan data keputusan penanda aras, menjejaki 99 penanda aras dan 428 model semasa kami menyemak. Sesetengah keputusan dijalankannya sendiri dengan rangka kerja Inspect; selebihnya datang daripada papan pendahulu rasmi yang diselenggara oleh pencipta penanda aras. Anda boleh memuat turun data sebagai CSV atau menggunakan klien Pythonnya. Datanya sendiri bebas diguna semula dengan kredit di bawah CC BY; keputusan daripada sumber luar mengekalkan lesen asalnya. Pilih Epoch apabila anda mahukan skor mentah atau garis trend, bukan satu indeks tunggal.
Vals AI menjalankan 42 penanda aras merentas undang-undang, kewangan, penjagaan kesihatan, pengekodan, matematik dan banyak lagi, dan sesetengah set adalah peribadi atau disimpan berasingan, yang mengurangkan risiko model telah dilatih pada ujian itu. Papan pendahulunya membandingkan ketepatan, kos dan kependaman, dan Inference Provider Index membandingkan penyedia dari segi ketepatan, kos dan kelajuan. Vals Index komposit memberi pemberat kepada sektor mengikut bahagiannya dalam KDNK AS. Pilih Vals apabila tugas anda menyerupai salah satu domainnya.
Apakah sebenarnya yang ditunjukkan oleh kedudukan OpenRouter?
Penggunaan. Setiap model disusun mengikut “tokens it processed through the OpenRouter API” (Terjemahan: token yang diprosesnya melalui API OpenRouter), prompt dan completion bersama, sepanjang satu, tujuh atau tiga puluh hari lepas. Halaman itu menyatakan dengan jelas bahawa kedudukan itu “do not rank models by accuracy, reasoning ability, or benchmark performance” (Terjemahan: tidak menyusun model mengikut ketepatan, keupayaan penaakulan atau prestasi penanda aras). Model yang menulis jawapan panjang atau berjalan dalam gelung ejen yang panjang akan naik dalam jadual. Bacalah ia sebagai isyarat populariti dan senarai model yang wajar diuji. OpenRouter juga mempunyai endpoint model awam dengan harga setiap model, yang merangkumi caj OpenRouter, bukan caj setiap hos secara langsung.
Adakah Open LLM Leaderboard Hugging Face masih berbaloi digunakan?
Untuk checkpoint open-weight, ya, dengan berhati-hati. Dokumentasi Hugging Face menyatakan versi pertama diarkibkan pada Jun 2024 dan diganti. Versi semasa memberi skor kepada model pada IFEval, BBH, MATH tahap 5, GPQA, MuSR dan MMLU-Pro dalam harness penilaian Eleuther AI, dan menerbitkan keputusan sebagai set data. Ia menilai fail model, bukan API yang dihoskan, jadi ia tidak dapat memberitahu anda tentang harga, kelajuan atau cara penyedia menyajikan model itu.
Di manakah anda membandingkan model bahasa Arab?
Papan pendahulu umum tidak banyak menyatakan tentang bahasa Arab, dan penapis Arena yang kelihatan tidak termasuk bahasa. Dua Hugging Face Space mengisi sebahagian jurang itu:
- Open Arabic LLM Leaderboard, dikendalikan oleh organisasi OALL, untuk teks Arab.
- Open Universal Arabic ASR Leaderboard, digambarkan sebagai “a benchmark for open-source multi-dialect Arabic ASR models” (Terjemahan: penanda aras untuk model ASR Arab berbilang dialek sumber terbuka), untuk pengecaman pertuturan. BroadNet melaporkan model Transcribe Arabicnya pada #2 daripada 37 (angka September 2026; papan kedudukan langsung menyenaraikannya di #4 daripada 39 pada 15 November 2026). Itu angka BroadNet, dan papan itu berubah apabila model ditambah.
Baca keputusan pertuturan mengikut dialek, bukan sekadar purata. Penjelasan kadar ralat perkataan ASR Arab menunjukkan caranya.
Di manakah kedudukan data harga BroadRouter?
BroadRouter menerbitkan tiga sumber harga: halaman harga API LLM bagi setiap model, indeks harga dengan median dan julat, dan pangkalan data harga penyedia mentah. Setiap baris dibaca daripada halaman harga penyedia sendiri dan disimpan dengan URL sumber, tarikh dan petikan verbatim, dan skrip mingguan mengambil semula sumber itu. Tiada suapan agregator digunakan.
Apa yang tidak dilakukannya sama penting:
- Ia tidak mengukur kelajuan, kependaman, masa operasi atau kualiti. Untuk itu, gunakan Artificial Analysis, Arena, Epoch AI atau Vals AI.
- Ia menyimpan harga pihak ketiga sahaja. Harga BroadNet sendiri ada dalam pricing.json dan di halaman harga.
- Ia ialah laman BroadNet, jadi anggaplah ia sebagai kompilasi vendor yang boleh anda semak baris demi baris, bukan hakim yang neutral.
Bagaimanakah anda patut menggabungkan laman-laman ini?
- Senarai pendek berdasarkan kualiti. Gunakan Arena untuk rasa chat dan Epoch AI atau Vals AI untuk skor tugas dalam domain anda. Kekalkan tiga hingga lima model.
- Semak kelajuan pada hos yang akan anda gunakan. Artificial Analysis menunjukkan kelajuan dan kependaman setiap endpoint. Penjelasan kependaman LLM menerangkan angka mana yang penting untuk aplikasi anda.
- Semak harga pada sumbernya. Gunakan pangkalan data harga untuk mencari penyedia, kemudian buka halaman setiap penyedia sendiri. Perhatikan harga input cache dan output, yang lebih menggerakkan bil berbanding input bagi banyak beban kerja.
- Uji pada data anda sendiri. Jalankan 50 hingga 100 input sebenar melalui setiap finalis dan beri skor. Sesuatu penanda aras meramalkan keputusan anda hanya setakat tugasnya menyerupai tugas anda. Cara menilai LLM sebelum bertukar memberikan kaedahnya, dan senarai semak penyedia 20 perkara merangkumi had, privasi dan sokongan.
Di manakah kedudukan BroadNet Inference
BroadNet Inference ialah API serasi OpenAI, bukan papan pendahulu. Ia menyajikan set model yang kecil: DeepSeek V4.1 Flash (dihoskan rakan kongsi), GLM 5.3, Qwen3.8 27B, Gemma 4 VL 26B dan dua model speech-to-text. Panggilan alat dan output berstruktur didokumentasikan untuk GLM 5.3 dan Qwen3.8 27B sahaja. Akaun layan diri tiada SLA, dan tiada API batch atau embeddings. Jika salah satu model ini masuk senarai pendek anda, kredit permulaan $5 merangkumi Gemma 4 VL 26B, kedua-dua model Transcribe dan kunci sejam Gemma, jadi anda boleh menjalankan langkah 4 pada input anda sendiri sebelum membayar; DeepSeek, GLM dan Qwen memerlukan tambah nilai. Prompt dan jawapan tidak disimpan. Bandingkan model atau cipta akaun.
