एलएलएम लीडरबोर्ड और एआई मॉडल रैंकिंग
एक पृष्ठ जो प्रमुख AI बेंचमार्क और लीडरबोर्ड — Chatbot Arena Elo (arena.ai), Artificial Analysis Intelligence Index और स्पीच एरेना, तथा OpenRouter उपयोग — को चैट, कोडिंग, TTS, स्पीच-टू-टेक्स्ट, इमेज, वीडियो और एजेंट्स के क्षेत्रों में एकत्रित करता है।
| रैंक | मॉडल | वेंडर | शुद्ध सुधार ? | सत्र ? | Input ? | Output | Cache ? |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Fable 5.1 (Max) | Anthropic | 14.31% ±1.9 | 15,130 | 10.0 | 50.0 | 0.250 |
| 2 | Claude Opus 5.5 (High) | Anthropic | 13.82% ±2.17 | 5,359 | 4.00 | 20.0 | 0.200 |
| 3 | Claude Sonnet 5.5 (Max) | Anthropic | 12.52% ±3.09 | 5,219 | 2.00 | 10.0 | 0.100 |
| 4 |  GPT 6 Astra (Max) | OpenAI | 12.27% ±2.23 | 11,717 | 10.0 | 50.0 | 1.00 |
| 5 | GPT 6.1 Sol (Max) | OpenAI | 11.23% ±2.76 | 6,278 | 2.00 | 10.0 | 0.100 |
| 6 | GPT 6 Sol (Max) | OpenAI | 9.71% ±2.37 | 6,106 | 2.00 | 10.0 | 0.200 |
| 7 | Claude Opus 5 (High) | Anthropic | 8.67% ±1.41 | 27,560 | 5.00 | 25.0 | 0.500 |
| 8 | Claude Fable 5 (High) | Anthropic | 8.21% ±1.22 | 41,832 | 10.0 | 50.0 | 1.00 |
| 9 | Claude Opus 5 (Max) | Anthropic | 7.92% ±1.47 | 22,781 | 5.00 | 25.0 | 0.500 |
| 10 |  Gemini 4 Argon (High) | 7.57% ±1.93 | 10,030 | — | — | — |
स्रोत: arena.ai · अपडेटेड Oct 2, 2026 · PandaNpc अपडेटेड 13 अक्टू॰ 2026, 06:00 UTCपूरा लीडरबोर्ड देखें →
इन नंबरों को कैसे पढ़ें
एक एलएलएम लीडरबोर्ड आपको बताता है कि लोग किस मॉडल को पसंद करते हैं; एक एआई बेंचमार्क बताता है कि एक मॉडल वस्तुनिष्ठ रूप से क्या कर सकता है; उपयोग डेटा बताता है कि डेवलपर वास्तव में क्या रिलीज़ करते हैं। कोई एकल रैंकिंग इस सवाल का जवाब नहीं देती कि "सबसे अच्छा एआई मॉडल कौन सा है", इसलिए यह पृष्ठ तीनों को एकत्र करता है — arena.ai से चैटबॉट एरीना Elo, Artificial Analysis बुद्धिमत्ता सूचकांक और स्पीच एरीना, और OpenRouter token हिस्सा — और उन्हें दैनिक रूप से ताज़ा करता है।
arena.ai (पूर्व में LMArena) उपयोगकर्ताओं को एक ही प्रॉम्प्ट के दो अज्ञात उत्तर दिखाता है और उन्हें एक चुनने के लिए कहता है, फिर उन युद्धों से Elo रेटिंग प्राप्त करता है। यह मापता है कि लोग कौन सा उत्तर पसंद करते हैं — वस्तुनिष्ठ क्षमता नहीं। एक आकर्षक शैली जीत सकती है, जबकि एक कठोर लेकिन शब्दबहुल उत्तर हार सकता है।
वोट वे लड़ाइयाँ हैं जो एक मॉडल ने संचित की हैं। नवसूचीबद्ध मॉडल के पास कम वोट और एक व्यापक आत्मविश्वास अंतराल होता है, इसलिए इसकी रैंक आसानी से बदलती है — रैंक को हमेशा ± अंतराल के साथ पढ़ें।
एजेंट बोर्ड बाकी बोर्डों से अलग काम करता है: यह ब्लाइंड-वोट प्राथमिकता के बजाय वास्तविक एजेंट सत्रों को मापता है। इसका मुख्य मीट्रिक, Net Improvement, एक प्रतिशत लाभ है — Elo रेटिंग नहीं — इसलिए इसकी तुलना बोर्डों के बीच नहीं की जा सकती। arena.ai पूरे लीडरबोर्ड पर पाँच और आयाम (Confirmed Success, Steerability, Bash Recovery और अन्य) भी रिपोर्ट करता है।
उपयोग बोर्ड OpenRouter से आता है और वास्तविक API token शेयर की गणना करता है — डेवलपर्स अपने वॉलेट से वोट कर रहे हैं, जो व्यक्तिपरक प्राथमिकता बोर्डों को पूरक करता है।
स्पीच बोर्ड Artificial Analysis से आते हैं: TTS ब्लाइंड-लिसनिंग Speech Arena Elo का उपयोग करता है; ASR AA-WER v2 का उपयोग करता है, जहाँ कम बेहतर है; और नेटिव Speech-to-Speech Big Bench Audio, Full Duplex Bench और τ-Voice के समान-भार वाले समग्र का उपयोग करता है, जहाँ अधिक बेहतर है। स्कोर की तुलना केवल उसी बोर्ड के भीतर करें। स्रोत: artificialanalysis.ai.
इंटेलिजेंस इंडेक्स बोर्ड आर्टिफिशियल एनालिसिस से आता है: यह कई सार्वजनिक बेंचमार्क को एक 0-100 इंटेलिजेंस इंडेक्स में संक्षिप्त करता है, जो व्यक्तिपरक प्राथमिकता के बजाय वस्तुनिष्ठ क्षमता को मापता है — यह arena.ai के मानव ब्लाइंड वोट का एक स्वाभाविक पूरक है। स्रोत: artificialanalysis.ai।