Papan Peringkat LLM dan Peringkat Model AI
Satu halaman yang menghimpun benchmark dan papan peringkat AI utama — Chatbot Arena Elo (arena.ai), Artificial Analysis Intelligence Index dan Speech Arena, serta penggunaan OpenRouter — di berbagai kategori: chat, coding, TTS, ucapan-ke-teks, gambar, video, dan agen.
| Peringkat | Model | Vendor | Indeks Ucapan ? |
|---|---|---|---|
| 1 |  GPT-Live-1 (Astra, medium) | OpenAI | 86.3% |
| 2 |  Qwen Audio 3.0 Realtime Plus | Alibaba | 84% |
| 3 |  Grok Voice Think Fast 2.0 High | SpaceXAI | 82.7% |
| 4 | GPT-Live-1 (Sol, low) | OpenAI | 81.7% |
| 5 | GPT-Realtime-2.1 High | OpenAI | 79.3% |
| 6 | GPT-Realtime-2 High | OpenAI | 77.3% |
| 7 | Qwen Audio 3.0 Realtime Flash | Alibaba | 76.3% |
| 8 | Grok Voice Think Fast 1.0 | SpaceXAI | 75.7% |
| 9 | GPT-Realtime-2 Medium | OpenAI | 75% |
| 10 |  Gemini 3.8 Live | 72.7% | |
| 11 | GPT-Realtime-2.1 Minimal | OpenAI | 72.7% |
| 12 | GPT-Realtime-1.5 | OpenAI | 72% |
| 13 | GPT Realtime (Aug 2025) | OpenAI | 69% |
| 14 | GPT-Realtime-2 Minimal | OpenAI | 66.3% |
| 15 | GPT-Realtime-2.1 Mini High | OpenAI | 65.3% |
| 16 | Grok Voice Agent | SpaceXAI | 64% |
| 17 |  Deepslate Opal | Deepslate | 63% |
| 18 | Higgs Realtime | Boson AI | 60.3% |
| 19 | GPT-Realtime-2.1 Mini Minimal | OpenAI | 59.3% |
| 20 | GPT Realtime Mini (Oct 2025) | OpenAI | 58.3% |
Sumber: Artificial Analysis · Diperbarui Oct 13, 2026 · PandaNpc Diperbarui 13 Okt 2026, 06.00 UTCLihat papan peringkat lengkap →
Cara Membaca Angka
Papan peringkat LLM memberi tahu Anda model mana yang lebih disukai orang; benchmark AI memberi tahu Anda apa yang dapat dilakukan model secara objektif; data penggunaan memberi tahu Anda apa yang sebenarnya dirilis developer. Tidak ada satu peringkat pun yang menjawab "model AI mana yang terbaik", jadi halaman ini menggabungkan ketiganya — Chatbot Arena Elo dari arena.ai, Artificial Analysis Intelligence Index dan arena ucapan, serta pangsa token OpenRouter — dan memperbaruinya setiap hari.
arena.ai (sebelumnya LMArena) menampilkan dua jawaban anonim kepada pengguna untuk perintah yang sama dan meminta mereka memilih salah satu, kemudian memperoleh peringkat Elo dari pertarungan tersebut. Ini mengukur jawaban mana yang lebih disukai orang — bukan kemampuan objektif. Gaya yang disukai bisa menang, sementara jawaban yang teliti tetapi bertele-tele bisa kalah.
Votes adalah pertempuran yang telah dikumpulkan oleh sebuah model. Model yang baru terdaftar memiliki sedikit votes dan interval kepercayaan yang lebar, sehingga peringkatnya mudah berubah — selalu baca peringkat bersama dengan interval ±.
Papan Agent bekerja berbeda dari yang lain: papan ini mengukur sesi agen nyata, bukan preferensi suara buta. Metrik utamanya, Net Improvement, adalah kenaikan persentase — bukan peringkat Elo — sehingga tidak dapat dibandingkan antar papan. arena.ai juga melaporkan lima dimensi lagi (Confirmed Success, Steerability, Bash Recovery dan lainnya) di papan peringkat lengkap.
Papan penggunaan berasal dari OpenRouter dan menghitung pangsa token API nyata — pengembang memberikan suara dengan dompet mereka, yang melengkapi papan preferensi subjektif.
Papan peringkat speech berasal dari Artificial Analysis: TTS menggunakan Elo Speech Arena dengan pendengaran buta; ASR menggunakan AA-WER v2, di mana lebih rendah lebih baik; dan Speech-to-Speech native menggunakan komposit berbobot setara dari Big Bench Audio, Full Duplex Bench, dan τ-Voice, di mana lebih tinggi lebih baik. Bandingkan skor hanya dalam papan yang sama. Sumber: artificialanalysis.ai.
Papan Intelligence Index berasal dari Artificial Analysis: papan ini menyaring banyak tolok ukur publik menjadi satu Intelligence Index 0-100, mengukur kemampuan objektif daripada preferensi subjektif — pelengkap alami untuk vote buta manusia arena.ai. Sumber: artificialanalysis.ai.