Har oy yangi sun'iy intellekt modellari paydo bo'lib, o'zlarini eng mukammal deb e'lon qiladi. Texnologiyalarning rivojlanishini kuzatmoqchi bo'lgan yoki xatlar yozish, kodni tuzatish yoki matnli so'rov bo'yicha tasvir yaratish uchun vositaga muhtoj bo'lgan foydalanuvchilar uchun ma'lumot shovqini haddan tashqari ko'p bo'ladi.
Bu TechCentral tomonidan chiqarilgan birinchi AI Barometri — amaliyotda foydalanuvchilar qo'llaydigan vazifalarda qaysi modellar va platformalar yetakchi ekanligini ko'rsatadigan faktik ma'lumotlarga asoslangan muntazam hisobot. Hisobot ishlab chiqaruvchilarning marketing bayonotlariga tayanmaydi, balki faqat tegishli foydalanish ssenariylarini sinovdan o'tkazish uchun maxsus tanlangan jamoatchilikdagi, mustaqil o'tkazilgan benchmarklar va reytinglar asosida qurilgan.
Baholashlar 2026 yil iyul oyining birinchi haftasida tekshirildi va yangi mahsulotlar chiqarilish sur'atlarini hisobga olgan holda, ba'zi natijalar o'qish vaqtiga kelganda o'zgarishi mumkin. Shuning uchun ushbu barometr mavjud.
Hisobotga ikki turdagi dalillar kirib keladi. Birinchisi — arena formatidagi sinov: Arena (avvalgi nomi LMArena, Kaliforniya universiteti, Berkli tadqiqot bo'limi) va Artificial Analysis kabi platformalar foydalanuvchilarga bir xil so'rov uchun ikkita anonim natijani ko'rsatadi va eng yaxshisini tanlashni so'raydi. Millionlab anonim ovozlar shaxmatdagi Elo tizimi kabi reytinglarga aylantiriladi.
Ikkinchi usul esa vazifa bo'yicha benchmarkdir, bunda modellar aniq, real muammolar to'plamiga nisbatan baholanadi, masalan, haqiqiy dasturiy xatoliklarni bartaraf etish, ekspert darajasidagi ilmiy savollarga javob berish yoki mutaxassislar pul to'lovini oladigan hujjatlar va elektron jadvallar yaratish. Ikkala yondashuv ham kamchiliklarga ega: Arena'dagi ovozlar odamlarga yoqadigan narsani mukofotlaydi, majburiy ravishda to'g'ri bo'lgan narsani emas. Vazifa benchmarklari sinov savollari modelning o'quv ma'lumotlariga tushib qolsa, buzilishi mumkin, shuning uchun barometr ifloslantirishga chidamli testlarni afzal ko'radi. Yetakchi modellar bir-biridan bir necha ball bilan farq qilganda, adolatli xulosa statistik tenglik hisoblanadi va bunday hollarda bu ko'rsatiladi.
Eng keng qamrovli ko'rsatkich Arena matnli reytingida keltirilgan bo'lib, u iyul oyining birinchi haftasida 369 ta model orasida 7,15 million anonim ovozni yig'di. Anthropic ning eng yangi Claude Fable 5 modeli Elo 1 509 balli bilan reytingni boshqarmoqda, bu hayratlanarliki, ilk beshta o'rin Anthropic modellariga tegishli.
Qolganlari orasida eng yaxshisi Google ning Gemini 3.1 Pro Preview modeli bo'lib, uning balli 1 486, OpenAI GPT-5.5 esa 1 481 ball bilan juda yaqin keladi. Biroq, top-10 taxminan 30 Elo balli ichida joylashganligi sababli, kundalik foydalanish uchun ulardan qaysi biri ham mos keladi. Bu yerda sifatdan ko'ra narx muhimroq: Arena tomonidan e'lon qilingan API tariflariga ko'ra, Gemini 3.1 Pro million kirish/chiqish tokeni uchun 2 AQSh dollari (taxminan 33/195 rupiya) turadi, shu bois Claude Fable 5 10/50 dollar (taxminan 163/814 rupiya) turadi, bu esa Gemini ni narx/sifat nisbati bo'yicha aniq tanlov qiladi. Ushbu taqqoslash APIlardan foydalanadigan bizneslar uchun tegishli; yakuniy iste'molchilar uchun OpenAI, Google va Anthropic ning flagman obunalar narxi asosiy token qiymatidan qat'i nazar, bir-biridan bir nechta dollar farq qiladi.
Haqiqiy ish bajaruvchi AI uchun — ofis hayotida hujjatlar, taqdimotlar, jadvallar va tahliliy hisobotlar yaratish — eng dolzarb jamoatchilik testi GDPval hisoblanadi. Bu OpenAI tomonidan 44 ta kasbdagi sanoat mutaxassislari bilan birgalikda yaratilgan 220 ta vazifalar to'plami. Artificial Analysis modellarni agent rejimida ishga tushiradi, ularga veb va buyruq satriga kirish imkonini beradi va natijalarni anonim juft solishtirish orqali reytinglaydi. Anthropic ning Claude Opus 4.8 modeli Elo 1 890 balli bilan ishonchli tarzda yetakchilik qilmoqda, GPT-5.5 dan 121 ball ustun turib, uning balli 1 769 — bu benchmark OpenAI tomonidan yaratilganligini hisobga olgan holda sezilarli natija.
Kodlash barometr ko'rsatkichi — bu Scale AI tomonidan mustaqil jamoatchilik reytingi sifatida ishlaydigan SWE-bench Pro. U modellar uchun faol qo'llab-quvvatlanayotgan dasturiy ta'minot repozitoriyalaridagi haqiqiy muammolarni hal qilishni talab qiladi va eski SWE-bench Verified testining ma'lum bir muammosi bo'lgan o'quv ma'lumotlariga ifloslantirishga qarshi kurashish uchun maxsus ishlab chiqilgan. Mustaqil reytingda OpenAI ning GPT-5.4 modeli 59,1% ball bilan yetakchi o'rinni egallaydi, bu yangi qo'shilgan Meta ning Muse Spark modeli bilan 55% darajasida statistik tenglikda turadi, va Anthropic ning Claude Opus 4.6 modeli 51,9% bilan uchinchi o'rinda turadi. Anthropic ning yangi Claude Fable 5 modeli shu vazifalar to'plamida 80,3% ko'rsatganligi haqidagi bayonot muhimdir, ammo bu raqam kompaniyaning o'z vositalaridan foydalanib olingan va hali mustaqil reytingda paydo bo'lmagan. Bu sodir bo'lguncha, tasdiqlangan yetakchi OpenAI ga tegishli.
Yozma sifatni baholash an'anaviy ravishda murakkab bo'lib, eng jiddiy jamoatchilik yondashuvi — bu mustaqil EQ-Bench Creative Writing (versiya 3) benchmarkidir. U 32 xil so'rov bo'yicha rubrikalar bo'yicha baholashni Elo uslubidagi juft hukmronlik bilan birlashtiradi. Claude Fable 5 modeli Elo 2 192 balli bilan yetakchi o'rinni egallaydi, Claude Opus 4.7 dan 2 179 ball bilan biroz ustun turadi, va GPT-5.5 2 019 ball bilan uchinchi o'rinda turadi. Bu yerda muhim eslatma bor: hukmdor AI modeli o'zi bo'lgani uchun natijalar yo'naltirilgan, yakuniy emas, garchi benchmark shubhalangan o'quvchilarga proza sifatini mustaqil baholash imkonini beradigan asl natijalarni ham e'lon qilsa.
Tadqiqotlar ikki kompetensiyaga bo'linadi. Chuqur fikrlash uchun standart test Humanity's Last Exam hisoblanadi, u 2 500 ta savoldan iborat bo'lib, ushbu savollar soha mutaxassislari tomonidan to'plangan, chunki ilg'or modellar ularga javob bera olmagan. Scale AI tomonidan boshqariladigan rasmiy reytingda Google ning Gemini 3.1 Pro Preview modeli 46,4% balli bilan yetakchi o'rinni egallaydi, bu OpenAI ning GPT-5.4 Pro modeli bilan 44,3% darajasida statistik tenglikda turadi — bu eng yaxshi modellar ham imtihondan yarmi dan ortiq bajara olmasligini anglatadi. (Anthropic Claude Fable 5 uchun 53,3% dan yuqori natija haqida ma'lumot beradi, ammo bu baho ishlab chiqaruvchi tomonidan berilgan va hali rasmiy reytingga kiritilmagan).
Veb bo'yicha real vaqt rejalari uchun BrowseComp — bu OpenAI testi bo'lib, u agentning tarmoqdagi qiyin topiladigan ma'lumotlarni topish qobiliyatini tekshiruvchi 1 266 ta savoldan iborat. Ob'ektivlik haqida eslatma: ushbu hisobotdagi boshqa barcha testlardan farqli o'laroq, BrowseComp mustaqil o'tkazilgan jamoatchilik reytingiga ega emas — laboratoriyalar o'z baholarini taqdim etadi. Ushbu o'z hisobot ma'lumotlariga ko'ra, OpenAI ning GPT-5.5 Pro modeli 90,1% ball bilan yetakchi o'rinni egallaydi. Shu tariqa, chuqurlik uchun Google, internetdagi ma'lumotlarni izlash uchun esa ChatGPT, uning o'z ma'lumotlariga ko'ra, yetakchi.
Tasvir yaratish modellari deyarli butunlay odamlar afzalliklariga asoslanib reytinglanadi va eng faol jamoatchilik reytingi — bu Artificial Analysis ning Image Arena'sidir. OpenAI ning GPT Image 2 (high) modeli 13 000 dan ortiq taqqoslash natijalariga ko'ra Elo 1 339 balli bilan yetakchi o'rinni egallaydi, ikkinchi o'rinni Reve 2.0 (1 281) 58 ball bilan ortda qoldiradi, va Microsoft ning MAI-Image-2.5 modeli 1 271 ball bilan uchinchi o'rinda turadi.
Video — bu umumiy tushunchalar eng tez eskiradigan kategoriya. Artificial Analysis ning matn-video Arenasida (audio bilan) ByteDance ning Dreamina Seedance 2.0 modeli 1 224 balli bilan yetakchi o'rinni egallaydi, uni Alibaba ning Wan 2.7 (1 160) va HappyHorse 1.1 (1 154) ergatadi. Eng kuchli g'arbiy ishtirokchi, Google ning Veo 3.1 modeli atigi o'ninchi o'rinda 1 095 ball bilan joylashgan. Jim (ovozsiz) reytingda Alibaba ning HappyHorse 1.0 modeli 1 290 balli bilan yetakchi o'rinni egallaydi. Top-4 o'rinlarini Xitoydagi ishlab chiquvchilar egallagan, va narx yuqori bo'lib qolmoqda: 1080p aniqlikdagi bir daqiqa videoni ishlab chiqarish model yaratuvchilarning o'z APIlari orqali taxminan 9 dan 24 AQSh dollarigacha (taxminan 145 dan 390 rupiyagacha) turadi.
Musiqa benchmarklari eng yosh va eng kam keng qamrovli kategoriya bo'lgani uchun bu natijalarni taxminiy deb hisoblash kerak. Artificial Analysis ning Musiqa Arenasida, grafik va video arenasi kabi anonim ovoz berish usulidan foydalanib, Suno v5.5 ikkala reytingda ham yetakchi o'rinni egallaydi — instrumental (Elo 1 194) va vokallik (1 168) — har ikki holatda Mureka V8 dan ustun turadi, shu bilan birga Suno V5 ning eski versiyasi har bir jadvalda uchinchi o'rinda turadi.
