Rangliste
Fra stemmer til en rangering af modeller
Aktiveret
Denne rangering beregnes ud fra stemmer indsamlet gennem blinde sammenligninger ved hjælp af den statistiske Bradley-Terry-model. Den afspejler subjektive præferencer og bør fortolkes med forsigtighed: den måler hverken faktuel korrekthed eller modellernes samlede ydeevne.
Total antal modeller: 1
Total antal stemmer: 2.570
Opdateret 10/8/2026
Deaktiveret
Model | BT tilfredshedsscore Tip Estimeret statistisk score i henhold til Bradley-Terry-modellen, som afspejler sandsynligheden for, at en model foretrækkes frem for en anden. Denne score beregnes ud fra alle brugernes stemmer og reaktioner. For at lære mere, gå til metodefanen. | Konfidens (±) Tip Interval, der angiver pålideligheden af rangordningen: jo smallere intervallet er, jo mere pålidelig er rangestimat. Der er 95% sandsynlighed for, at modellens sande rang ligger i dette spænd. | Samlet antal stemmer | Gns. forbrug (1.000 tokens) Tip Målt i watttimer repræsenterer energiforbruget den elektricitet, som modellen bruger til at behandle en forespørgsel og generere det tilsvarende svar. Modellernes energiforbrug afhænger af deres størrelse og arkitektur. Vi vælger at vise de proprietære modeller, som vi ikke har gennemsigtige oplysninger om størrelse og arkitektur for, som ikke-analyseret (N/A). | Størrelse (parametre) Tip Modellens størrelse i milliarder af parametre, kategoriseret i fem klasser. For proprietære modeller oplyses denne størrelse ikke. | Arkitektur Tip Et LLM-models arkitektur refererer til designprincipperne, der definerer, hvordan komponenterne i et neuralt netværk er arrangeret og interagerer for at transformere inputdata til prædiktive outputs, herunder måden hvorpå parametre aktiveres (dense vs. sparse), komponentspecialisering og informationsbehandlingsmekanismer (transformers, konvolutionsnetværk, hybride arkitekturer). | Udgivelsesdato | Organisation | Licens | |
|---|---|---|---|---|---|---|---|---|---|---|
| Rang I, #1 | -0/+29 | 17 | 3979 mWh | XL - 685 mia. | MoE | 5.25 | DeepSeek |