LLM API’lerini karşılaştırırken ilk durak çoğu zaman Artificial Analysis’tir, çünkü her sağlayıcıya giden gerçek istekleri zamanlar. Ama bu tek bir bakış açısı. Diğer siteler insan oylarına, kıyaslama (benchmark) skorlarına, kullanıma veya fiyata göre sıralar ve her biri farklı bir soruyu yanıtlar. Bu rehber, her birinin neyi nasıl ölçtüğünü, hangi verileri alabileceğinizi ve ne zaman kullanılacağını ortaya koyuyor. Aşağıdaki her bilgi, 15 Kasım 2026’da sitenin kendi sayfalarından okundu.
Önce bir açıklama: BroadRouter, BroadNet’in kendi web sitesidir. Geliştiricileri BroadNet Inference’a yönlendirir ve fiyat verileri yayımlar. Modelleri kıyaslamaz ve bu listede yalnızca fiyatlar için yer alır.
Artificial Analysis neyi iyi yapıyor?
Artificial Analysis kendini “Independent analysis of AI” (BroadRouter çevirisi: yapay zekânın bağımsız analizi) olarak tanımlıyor. Yöntem sayfası, başka pek az sitenin yaptığı üç şeyi açıklıyor:
- Sağlayıcı uç noktası başına hız. Çıktı hızı, akıl yürütme token’ları dahil “output tokens per second over each request’s full duration” (BroadRouter çevirisi: her isteğin tüm süresi boyunca saniye başına çıktı token’ı) olarak tanımlanıyor ve “over the workloads we measured in the past 5 days” (BroadRouter çevirisi: son 5 günde ölçtüğümüz iş yükleri üzerinden) ortalaması alınıyor. Bir model “may have multiple endpoints across different providers” (BroadRouter çevirisi: farklı sağlayıcılarda birden fazla uç noktaya sahip olabilir) olduğundan, aynı modelin bir barındırıcıda diğerinden daha hızlı çalıştığını görebilirsiniz.
- Karşılaştırılabilir gecikme. İlk token’a kadar geçen süreyi, ilk yanıt token’ına kadar geçen süreyi (akıl yürütmeyi içerir; böylece akıl yürüten ve yürütmeyen modeller adil biçimde karşılaştırılır) ve uçtan uca süreyi raporluyor.
- Kendi değerlendirmeleri. Intelligence Index v5.0.1, eşit ağırlıklı dört grupta (bilgi işi, kodlama, bilim, genel) dokuz değerlendirmeyi birleştiriyor. Bunların birkaçı kendi kıyaslamaları ya da başkalarının görevlerini kendi çalıştırmaları; tekrar sayıları belirtilmiş.
Sağlayıcı sıralaması “over 500 AI Model endpoints” (BroadRouter çevirisi: 500’ü aşkın yapay zekâ modeli uç noktası) kapsıyor; görev başına maliyet, görev başına süre, ilk yanıt token’ı gecikmesi, hata oranı, bağlam penceresi ve lisansla. Fiyatlar “the current prices listed by providers” (BroadRouter çevirisi: sağlayıcıların listelediği güncel fiyatlar); karma fiyatı ise önbellek isabeti, girdi ve çıktı token’ları için 7:2:1 oranını kullanıyor. İş yükünüz çıktı ağırlıklıysa bu karışımı zihninizde değiştirin.
Sağlayıcıya göre ölçülmüş hıza ve hata oranlarına ihtiyacınız varsa yerini doldurmak zor. İnsanlar alternatif arayışına farklı bir sinyal istediklerinde girer: insan tercihi, belirli bir alan, indirilebilir ham veri ya da her satırı kaynaklı bir fiyat listesi.
Hangi Artificial Analysis alternatifleri var?
| Site | Neyi ölçüyor | Yöntem | Alabileceğiniz veri | En uygun olduğu iş |
|---|---|---|---|---|
| Artificial Analysis | Zekâ endeksi, çıktı hızı, gecikme, hata oranı, uç nokta başına fiyat | Kendi değerlendirmelerini ve zamanlanmış istekleri çalıştırıyor; 5 günlük kayan hız penceresi | Ücretsiz API, atıf zorunlu | Sağlayıcıya göre hız ve gecikme |
| Arena (eski adıyla LMArena) | İnsan tercihi | İki anonim model yanıt veriyor, bir kişi oy veriyor, adlar sonra açıklanıyor | Hugging Face’te açık tercih veri setleri | Yanıtların insanlara nasıl geldiği |
| Epoch AI Benchmarking Hub | Zaman içinde kıyaslama skorları | Bazı kıyaslamaları Inspect ile kendisi çalıştırıyor; diğerlerini resmî sıralama tablolarından topluyor | CSV ve bir Python istemcisi; kendi verileri CC BY | Trendler ve ham skorlar |
| Vals AI | Alan bazında doğruluk, maliyet ve gecikme | 42 kıyaslama, bazıları özel veya saklı | Kıyaslamalar sayfasında belirtilmemiş | Hukuk, finans, vergi ve diğer alanlar |
| OpenRouter sıralamaları | Kullanım | OpenRouter üzerinden işlenen token’lar, günlük UTC kovalarında | Fiyatlı herkese açık modeller API’si | Geliştiricilerin gerçekte ne çalıştırdığı |
| Open LLM Leaderboard (Hugging Face) | Açık ağırlıklı model skorları | Eleuther AI harness’ında altı kıyaslama | Sonuç ve istek veri setleri | Açık model dosyalarını karşılaştırma |
| BroadRouter fiyat verileri (BroadNet’in sitesi) | Yalnızca yayımlanmış fiyatlar | Her sağlayıcının kendi fiyat sayfasından URL, tarih ve alıntıyla okunuyor | CSV ve JSON, derleme için CC BY 4.0 | Bir fiyatı kaynağında doğrulama |
Arena’nın farkı ne?
Arena (lmarena.ai artık arena.ai’a yönlendiriyor), gerçek kişilerden iki anonim yanıtı karşılaştırıp birini seçmelerini istiyor. Model adları ancak oy verildikten sonra görünüyor. Bu, doğruluğu üslup, uzunluk ve biçimlendirmeyle harmanlayan tercihi ölçer. Sıralama tablosunda Text, WebDev, Vision, Document ve Search dahil ayrı tablolar var; Pareto görünümü de görev başına maliyeti gösteriyor. Arena, tercih verilerini Hugging Face’te açık kaynak olarak yayımladığını söylüyor; bir sıralamayı okumak yerine oyları incelemek istiyorsanız bu faydalı.
Bir sohbet yanıtının insanlarda nasıl karşılık bulduğunu görmek için kullanın. Bir API sağlayıcısı seçmek için kullanmayın: barındırıcıları değil modelleri sıralar ve belirli bir uç noktadaki hız hakkında bir şey söylemez.
Epoch AI ve Vals AI ne zaman daha uygun?
Epoch AI bir kıyaslama sonuçları veritabanı tutuyor; kontrol ettiğimizde 99 kıyaslama ve 428 modeli izliyordu. Sonuçların bir kısmını Inspect çatısıyla kendisi çalıştırıyor; geri kalanı kıyaslama yazarlarının tuttuğu resmî sıralama tablolarından geliyor. Verileri CSV olarak indirebilir veya Python istemcisini kullanabilirsiniz. Kendi verileri, CC BY kapsamında atıf vererek serbestçe yeniden kullanılabilir; dış kaynaklı sonuçlar özgün lisanslarını korur. Tek bir endeks değil, ham skorlar veya bir trend çizgisi istediğinizde Epoch’u seçin.
Vals AI; hukuk, finans, sağlık, kodlama, matematik ve daha fazlasında 42 kıyaslama çalıştırıyor. Bazı setler özel veya saklı tutuluyor; bu da bir modelin test üzerinde eğitilmiş olma riskini azaltıyor. Sıralama tabloları doğruluğu, maliyeti ve gecikmeyi karşılaştırıyor; Inference Provider Index de sağlayıcıları doğruluk, maliyet ve hız açısından karşılaştırıyor. Bileşik Vals Index, sektörleri ABD GSYİH’sindeki paylarına göre ağırlıklandırıyor. Göreviniz onun alanlarından birine benziyorsa Vals’ı seçin.
OpenRouter sıralamaları gerçekte neyi gösteriyor?
Kullanımı. Her model, istem ve tamamlama birlikte olmak üzere son bir, yedi veya otuz gün içinde “tokens it processed through the OpenRouter API” (BroadRouter çevirisi: OpenRouter API üzerinden işlediği token’lar) ile sıralanıyor. Sayfa, sıralamaların “do not rank models by accuracy, reasoning ability, or benchmark performance” (BroadRouter çevirisi: modelleri doğruluğa, akıl yürütme yeteneğine veya kıyaslama performansına göre sıralamaz) olduğunu açıkça belirtiyor. Uzun yanıtlar yazan ya da uzun ajan döngülerinde çalışan bir model tabloda yükselir. Bunu bir popülerlik sinyali ve test etmeye değer modellerin listesi olarak okuyun. OpenRouter’ın model başına fiyatlı herkese açık bir modeller uç noktası da var; bu, her barındırıcının doğrudan aldığı ücreti değil, OpenRouter’ın aldığı ücreti kapsıyor.
Hugging Face Open LLM Leaderboard hâlâ kullanmaya değer mi?
Açık ağırlıklı model dosyaları için evet, dikkatle. Hugging Face’in dokümantasyonu, ilk sürümün Haziran 2024’te arşivlendiğini ve yerine yenisinin geldiğini söylüyor. Güncel sürüm modelleri Eleuther AI değerlendirme harness’ında IFEval, BBH, MATH level 5, GPQA, MuSR ve MMLU-Pro üzerinde puanlıyor ve sonuçları veri setleri olarak yayımlıyor. Barındırılan API’leri değil model dosyalarını değerlendiriyor; bu yüzden size fiyat, hız ya da bir sağlayıcının modeli nasıl sunduğu hakkında bilgi veremez.
Arapça modeller nerede karşılaştırılır?
Genel sıralama tabloları Arapça hakkında pek bir şey söylemiyor ve Arena’nın görünür filtrelerinde dil yok. İki Hugging Face Space bu boşluğun bir kısmını dolduruyor:
- Arapça metin için OALL organizasyonunun yürüttüğü Open Arabic LLM Leaderboard.
- Konuşma tanıma için “a benchmark for open-source multi-dialect Arabic ASR models” (BroadRouter çevirisi: açık kaynaklı çok lehçeli Arapça ASR modelleri için bir kıyaslama) olarak tanımlanan Open Universal Arabic ASR Leaderboard. BroadNet, Transcribe Arabic modelinin burada 37 model arasında 2. (Eylül 2026 verisi; canlı sıralamada 15 Kasım 2026 itibarıyla 39 model arasında 4.) olduğunu bildiriyor. Bu BroadNet’in verdiği bir rakam ve tablo, yeni modeller eklendikçe değişiyor.
Konuşma sonuçlarını yalnızca ortalamaya değil, lehçeye göre okuyun. Arapça ASR kelime hata oranı yazısı bunun nasıl yapılacağını gösteriyor.
BroadRouter’ın fiyat verileri nereye oturuyor?
BroadRouter üç fiyat kaynağı yayımlıyor: model başına LLM API fiyat sayfaları, medyanlar ve aralıklarla fiyat endeksi ve ham sağlayıcı fiyat veritabanı. Her satır sağlayıcının kendi fiyat sayfasından okunuyor ve kaynak URL, tarih ve birebir alıntıyla saklanıyor; haftalık bir betik de kaynakları yeniden çekiyor. Hiçbir toplayıcı (aggregator) beslemesi kullanılmıyor.
Neyi yapmadığı da en az bunun kadar önemli:
- Hız, gecikme, erişilebilirlik (uptime) veya kalite ölçmüyor. Bunlar için Artificial Analysis, Arena, Epoch AI veya Vals AI kullanın.
- Yalnızca üçüncü taraf fiyatlarını tutuyor. BroadNet’in kendi fiyatları pricing.json dosyasında ve fiyatlar sayfasında.
- BroadNet’in sitesi; bu yüzden onu tarafsız bir hakem olarak değil, satır satır doğrulayabileceğiniz bir satıcı derlemesi olarak görün.
Bu siteleri nasıl birlikte kullanmalı?
- Kaliteye göre kısa liste yapın. Sohbet hissi için Arena’yı, alanınızdaki görev skorları için Epoch AI veya Vals AI’ı kullanın. Üç ile beş model tutun.
- Kullanacağınız barındırıcıdaki hızı kontrol edin. Artificial Analysis uç nokta başına hız ve gecikmeyi gösteriyor. LLM gecikmesi yazısı uygulamanız için hangi sayının önemli olduğunu anlatıyor.
- Fiyatı kaynağında kontrol edin. Sağlayıcıları bulmak için bir fiyat veritabanı kullanın, sonra her sağlayıcının kendi sayfasını açın. Birçok iş yükünde faturayı girdiden daha çok etkileyen önbellekli girdi ve çıktı fiyatlarına dikkat edin.
- Kendi verinizle test edin. Her finalistten 50 ile 100 gerçek girdi geçirin ve puanlayın. Bir kıyaslama, sonuçlarınızı ancak görevleri sizinkilere benzediği ölçüde öngörür. Geçiş yapmadan önce bir LLM nasıl değerlendirilir yöntemi veriyor; 20 maddelik sağlayıcı kontrol listesi de limitleri, gizliliği ve desteği ele alıyor.
BroadNet Inference’ın yeri
BroadNet Inference bir sıralama tablosu değil, OpenAI uyumlu bir API. Küçük bir model seti sunuyor: DeepSeek V4.1 Flash (iş ortağında barındırılıyor), GLM 5.3, Qwen3.8 27B, Gemma 4 VL 26B ve iki konuşmadan metne modeli. Araç çağırma ve yapılandırılmış çıktı yalnızca GLM 5.3 ve Qwen3.8 27B için belgelenmiş. Self-servis hesaplarda SLA yok; toplu iş (batch) API’si veya embedding de yok. Bu modellerden biri kısa listenize girerse $5 başlangıç kredisi Gemma 4 VL 26B’yi, iki Transcribe modelini ve Gemma saatlik anahtarlarını kapsıyor; böylece ödeme yapmadan önce 4. adımı kendi girdilerinizle çalıştırabilirsiniz. DeepSeek, GLM ve Qwen bakiye yükleme gerektiriyor. İstemler ve yanıtlar saklanmıyor. Modelleri karşılaştırın veya hesap oluşturun.
