Artificial Analysis（AI模型评估）官网

Artificial Analysis（AI模型评估）图文介绍：

1. 模型对比亮点
   • 综合模型比较：涵盖多种模型，如 o1-preview、o1-mini、Claude 3.5 Sonnet (Oct)、Gemini 1.5 Pro (Sep)、GPT-4o 等。
   • 质量评估：通过人工分析质量指数衡量，指数越高越好，涉及不同维度智能评估，当前包括 MMLU、GPQA、Math 和 HumanEval 等多项测试，结果以中位数呈现。部分模型在推理与知识（MMLU）、科学推理与知识（GPQA）、定量推理（MATH）、编码（HumanEval）、沟通（LMSys Chatbot Arena ELO Score）等方面表现各异。
2. 速度指标
   • 输出速度：以每秒输出令牌数衡量，越高越好，不同模型速度不同，如 Gemini 1.5 Flash (Sep) 速度较快，Llama 3.1 405B 相对较慢。
   • 延迟：以收到首个令牌块的时间（秒）计算，越低越好，不同模型在该指标上表现有差异。
3. 价格信息
   • 以每百万令牌的美元价格表示，价格范围广，部分模型较便宜，如 Gemini 1.5 Flash (Sep)，部分较贵，如 o1-preview。价格包含输入和输出令牌价格（3:1 比例）。不同模型输入和输出价格单独列出，且不同提供商价格不同，使用场景会影响输入与输出令牌价格的相对重要性。
4. 模型比较象限图
   • 质量与价格：展示不同模型在质量和价格方面的分布，部分模型处于高质量低价格的较优象限，如 o1-preview、o1-mini 等，但高质量模型价格不一定遵循相同曲线。
   • 质量与输出速度：体现模型质量和输出速度的权衡关系，高质量模型输出速度通常较低。
5. API 提供商亮点（以 Llama 3.1 Instruct 70B 为例）
   • 输出速度与价格：新兴提供商在输出速度和价格方面有竞争力，如 Cerebras、Hyperbolic 等，速度和价格在不同提供商间存在差异，且速度每日会有波动，部分提供商支持不同上下文长度（如 Cerebras 为 8k 上下文，SambaNova 为 64k 上下文）。