Modelli di IA, i prezzi dei loro fornitori e classifiche da misurazioni indipendenti. Sotto ogni tabella è scritto da dove viene il numero, chi lo ha misurato, quando e quanto ci si può fidare.
Ultimo ricalcolo: 7 agosto 2026
Punteggio complessivo
La classifica generale: quattro capacità riunite in un unico punteggio, per confrontare i modelli nel loro insieme e non su un solo compito. È costruita su confronti alla cieca fatti da persone reali: risponde a quali risposte vengono preferite più spesso, non a quanti compiti sono stati risolti. Per un'abilità specifica, la selezione dedicata è più precisa.
Punteggio sui compiti
Quanti compiti di programmazione il modello ha davvero risolto su insiemi fissi di prove — un risultato verificabile, non un'opinione. La selezione ha un secondo sguardo, basato su voti umani alla cieca: l'ordine lì è diverso, e lo scarto tra le due liste dice più di ciascuna presa da sola.
Punteggio sui compiti
Compiti di ragionamento in cui la risposta è giusta o sbagliata: si conta la parte di problemi risolti, non le risposte che piacciono. Accanto c'è un secondo sguardo, con voti umani alla cieca. La logica è il terreno dove preferenza e problema risolto divergono di più: un ragionamento ben scritto piace anche quando la sua risposta è sbagliata.
Punteggio sui compiti
Una prova di conoscenze fattuali su domande che hanno un'unica risposta corretta. Si distingue dalle selezioni vicine perché qui il modello non ragiona e non scrive codice — ricorda. Il secondo sguardo sullo stesso tema viene dai voti umani alla cieca.
Punteggio sui compiti
La parte di problemi matematici risolti, dal livello olimpiade al livello ricerca. Le percentuali sono più basse che nelle altre selezioni, ed è una proprietà dei problemi, non dei modelli: confrontarle con i numeri della selezione sulle conoscenze non ha senso. Il secondo sguardo viene dai voti umani alla cieca.
Punteggio sui compiti
Qui il modello non risponde a una domanda, fa il lavoro: modifica file in un sistema operativo, cerca, porta a termine compiti in un ambiente di lavoro. Per questo le percentuali sono basse anche nei modelli forti, e non si confrontano con i punteggi della selezione sulle conoscenze — è un lavoro diverso, non una forza diversa.
Arena Score, inglese
Confronto alla cieca di risposte in inglese — la lingua su cui la maggior parte dei modelli è stata addestrata di più. Serve una selezione a sé perché l'ordine dei modelli cambia sensibilmente da una lingua all'altra, e la classifica generale non mostra questa differenza.
Arena Score, francese
Confronto alla cieca di risposte in francese. Come negli altri tagli linguistici, la parte interessante non è tanto il punteggio quanto la posizione del modello rispetto alla sua stessa posizione nelle altre lingue: la costanza da lingua a lingua dice più di una singola riga alta.
Arena Score, spagnolo
Confronto alla cieca di risposte in spagnolo. Vale la pena leggerlo accanto al taglio inglese: la distanza tra le due posizioni di uno stesso modello mostra quanto perde fuori dalla lingua su cui è stato addestrato di più.
Prezzo, $ per 1M di token
Il prezzo dell'accesso via API per un milione di token, in dollari, secondo l'offerta più economica tra i fornitori. Ingresso e uscita sono riuniti in un unico numero: l'uscita costa di solito diverse volte di più, e ordinare i modelli solo per il prezzo di ingresso metterebbe in cima qualcosa di diverso dal più economico.
Contesto, token
Quanto testo il modello accetta in una singola richiesta. Il numero è dichiarato dallo sviluppatore e per ora non possiamo verificarlo: su finestre lunghe la qualità di solito cala molto prima del limite. Questa selezione risponde quindi se il testo ci starà — non se il modello lo capirà.
Arena Score, immagini
Fino a che punto il modello capisce un'immagine insieme al testo: confronto alla cieca di risposte a richieste con un'immagine allegata. Da non confondere con la generazione di immagini — là il modello disegna, qui guarda.
Arena Score, generazione
Confronto alla cieca di immagini finite: le persone scelgono la migliore senza sapere quale modello l'abbia disegnata. È un giudizio del risultato a occhio, non una verifica su consegna; per questo la differenza tra posizioni vicine il più delle volte non è statisticamente significativa.
Arena Score, video
Lo stesso confronto alla cieca delle immagini, ma per i video. Qui i modelli sono dieci volte meno che nelle selezioni di testo, e le prime posizioni si staccano dal resto più nettamente — semplicemente perché i partecipanti sono pochi.
Arena Score, web
Richieste su impaginazione e applicazioni web, valutate alla cieca da persone. Si distingue dalla selezione di programmazione per la misura: là si contano i compiti risolti, qui quale risultato la gente ha preferito. Per il web è più vicino al punto, perché l'aspetto del risultato fa parte di ciò che si giudica.
Arena Score, testo
Testi letterari e scrittura libera, valutati alla cieca da persone: un lavoro così non ha una risposta corretta, quindi la preferenza è la misura più onesta disponibile. C'è anche un secondo sguardo, da un passaggio di compiti con punteggio; misura altro e dà un altro ordine.
Punteggio complessivo
Lo stesso punteggio complessivo della classifica generale, ma solo tra i modelli a pesi aperti — quelli che si possono scaricare ed eseguire sul proprio hardware. La selezione mostra quanto i modelli aperti restano indietro rispetto ai chiusi, e in quali compiti non restano indietro affatto.
Il catalogo, i prezzi e le valutazioni sono raccolti da fonti aperte; il diritto di ripubblicazione viene verificato sulla licenza prima che un numero arrivi sul sito. Sotto ogni tabella è indicato chi ha misurato ciò che mostra e quando. I numeri che non si possono pubblicare li usiamo solo per il riscontro e non li mostriamo sul sito.