Пропустить навигацию
Advanced Frontier LLM Coding Benchmark 13.08.2026
0:00 / 1:27

Advanced Frontier LLM Coding Benchmark 13.08.2026

Alican Kiraz

@AlicanKiraz039 тыс. подписчиков

Открыть в X
123 отметки «Нравится»СкачатьОригинальный пост

12 922 просмотра

Advanced Frontier LLM Coding Benchmark 13.08.2026 Modeller: - Grok 4.6 Extra High - Cursor - Opus 5 Max - Claude Code (App) - Qwen 3.8 Max - Qwen-Code (CLI) - Kimi K3 Max - Kimi-Code (App) - GLM 5.2 Max - Zcode (App) - GPT 5.6 Sol Very High - Codex (App) - Deepseek-v4-flash-0731 - Qwen-Code (CLI) - Cursor Auto - Cursor (App) - Deepseek-v4-pro-0813 - Opencode (CLI) Görev: Ferrofluid: Metaball yüzeyi + mıknatıs imlecine doğru yükselen Rosensweig dikenleri. Ferrofluid'in zorluğu, "imlece doğru akan sıvı" görünümünün arkasındaki fiziğin bir eşik/bifurkasyon fenomeni olması modellerin %90'ının ıskaladığı nokta. Not: Bu test oldukça zorlu bir yapıda ve frontier benchmark temeldedir. Zorluk katmanları: - Fiziksel modeli doğru anlayıp denklemlere dönüştürme - Kararlı bir SPH/PBF çözücü geliştirme - Manyetik alan, yüzey gerilimi ve histerezis davranışını modelleme - Metaball ve marching-squares ile yüzey çıkarımı - Ölçülebilir ve dürüst bir self-grading sistemi oluşturma - Tarayıcıda yeterli performans sağlama - Görsel olarak anlaşılır bir ürün yüzeyi hazırlama Modellerin Kullanım miktarları ve süreleri: - GPT 5.6 - 57m 6s - $82.1 - Opus 5 - 1s 36m - $106.6 - GLM 5.2 - 1h 2m - $35.7 - Kimi K3 - 1h 23m - $57.3 - Qwen3.8 - 48m 1s - $18 - Deepseek-v4-flash-0731 - 1h 25d - $0.79 - Cursor Auto - 25m 15s - $8-9 - Grok 4.6 - 39m - $5.1 - Deepseek-v4-pro-0813 - 2h 51m - $1.92 Modellerin Performans Tablosu: - Maliyet + Performans Kazanı: Qwen3.8 - Saf teknik ve fiziksel kalite kazananı: Opus 5 - En iyi ultra-düşük maliyetli mühendislik çekirdeği: DeepSeek V4 Pro 0813 - En iyi frontend, ürünleştirme ve gözlemlenebilirlik katmanı: GPT-5.6 Sol - En iyi düşük maliyetli matematiksel eleştirmen: Grok 4.6 - Performans ve sadeleştirme için en uygun yardımcı model: GLM 5.2 Bağımsız saf teknik başarı sıralaması: - Opus 5: 86/100 - Düzenli ve gerçek spike trenine en yakın sonuç. - Qwen3.8: 79/100 - Spike oluşuyor fakat yüksek alanda parçalanma artıyor. - DeepSeek V4 Pro-0813: 64/100 - Gelişmiş çekirdek, fakat ciddi indeksleme riski ve parçalanma - GPT-5.6 Sol: 63/100 - En iyi ürün yüzeyi; fizik çekirdeğinde damlacıklaşma - GLM 5.2: 57/100 - Çok kararlı ve hızlı, fakat tek geniş kubbe üretiyor - Grok 4.6: 53/100 - Matematiksel olarak iyi düşünülmüş, tarayıcı performansı çok düşük - Cursor Auto: 47/100 - Hızlı üretim; garip ince kolonlar, parçalanma ve düşük runtime FPS - Kimi K3: 42/100 - Özellik kapsamı geniş; fiziksel sonuç ve skor güvenilirliği zayıf - DeepSeek V4 Flash-0731: 32/100 - En ucuz; varsayılan görüntü kullanılamaz ve ölçümler yanıltıcı Nasıl kullanmalıyız: - Tek model seçeceksem: Qwen3.8 - Bütçe önemsiz ve en iyi teknik sonucu istiyorsam: Opus 5 - Çok düşük bütçeyle güçlü bir çekirdek istiyorsam: DeepSeek V4 Pro - Sadece frontend ve ürün kalitesi istiyorsam: GPT-5.6 Sol - Formül ve algoritma eleştirmeni istiyorsam: Grok 4.6 - Optimization/refactor istiyorsam: GLM 5.2 - Visual QA istiyorsam: Kimi K3 - Cursor Auto’yu model olarak değil, sabit modelleri yöneten agent harness olarak kullanırım - DeepSeek Flash’ı zorlu caseler dışında, harness yaparak çözeceksem ve disposable boilerplate ile test üretiminde kullanırım.

18 комментариев

Комментарии из оригинального поста в X (Twitter)

  • Фото профиля Kağan Kongar

    @KaganKongar

    Thank you for sharing. Your data, different presentation:

    4 отметки «Нравится»

  • Фото профиля Alican Kiraz

    @AlicanKiraz0

    ❤️

    1 отметка «Нравится»

  • Фото профиля Abidin ÖZLER

    @AbidinOzler

    Üstad, metinden anlam çıkarma konusunda bir Benchmark çok güzel olur. Modeller okuduklarını ne kadarını sınıflandırabiliyorlar ?

    1 отметка «Нравится»

  • Фото профиля Sir Yusuf

    @yusufxdev

    Glm 5.3 ekler misin hazır bunlar varken

    1 отметка «Нравится»

  • Фото профиля Alain

    @nefsim

    qwen şov yapmış. Elinize sağlık bu testte gemini 3.7 flash olması çok iyi olurdu.

    1 отметка «Нравится»

  • Фото профиля Alican Kiraz

    @AlicanKiraz0

    Rica ederim, akşama GLM 5.3 ve Gemini 3.7’i de ekleyeceğim 🎉

    5 отметок «Нравится»

  • Фото профиля Adel Bucetta

    @adelbucetta

    the real unlock is seeing which of these models actually scale to complex domain knowledge not just abstract math

  • Фото профиля Hakan

    @hkngokt

    minimax niye yok hocam

  • Фото профиля 安叫兽|Bird🕊️ 🔶 BNB

    @ajs6888

    这阵容看着像穿越了,日期和版本都挺超前。

  • Фото профиля Berk :)

    @tberq_

    Deepseek’le 10 kat daha uzun süre uğraşsak yine de Opus kalitesine gelmesi mümkün değil mi? Opus 5 ile Sonnet 5 arasında çok bir fark var mı? Opus planlamada ve kodlamada gerçekten başarılı ama kullanımı hızlı bitiriyor.

  • Фото профиля Ömer

    @omerokumusx_tr

    Eline sağlık. Harness'ler baya bir etkili oluyor. O yüzden tam olarak model performansını yansıtır mı emin olamadım

  • Фото профиля Mucahit Gundogdu

    @MuGundo_dev

    Deepsek v4 pro nun fiyatına göre gpt glm kimi gibi modellerin önüne geçmesi çok iyi ama 1 saate yapılan işi 3 saate yapmak nedir.

  • Фото профиля Sefa

    @sefa8_

    Crazy

  • Фото профиля Gurur Aşer

    @gururaserr

    Büyük model plan + küçük model uygulama vs büyük model plan + büyük model uygulama karşılaştırması yapar mısınız?

  • Фото профиля Ankaragüçlü

    @Airdrop910

    Hocam gozbebegimiz GLM 5.3 geldi onuda bekliyoruz :)

  • Фото профиля Kaan Can Güner

    @Kaancang1

    kaydedilecek kalitede bir bilgi elinize sağlık 👍

  • Фото профиля Keith Tsang

    @kidtsang

    Most comparisons overlook real, world performance impact. Benchmarks are just numbers—actual coding efficiency, integration speed, and user adaptability matter more. It's not just about who scores highest, but who helps you code better, faster.

  • Фото профиля KC

    @karanC_12

    These real coding benchmarks are more useful than most leaderboards.