fedi-index-menetelmä
Indeksin lähteet, lisenssit, painot ja kaavat — muodostettu samasta konfiguraatiosta, jota laskenta käyttää.
Menetelmä v1 · Ajantasainen data: 2026-10 (lasketaan päivittäin) · Historia · JSON
- Indeksiin otetaan vain lähteet, joilla on nimenomainen avoin lisenssi (CC BY, MIT, Apache); lupaa odottavat lähteet pysyvät pois päältä.
- Riippumattomat ajot lasketaan; valmistajien omat tulokset näytetään merkinnällä eikä niille anneta painoa.
- Yksi lähdeperhe on yksi ääni: samojen äänestäjien korreloivia kategorioita ei lasketa yhteen.
- Jokaisella pistemäärällä on julkinen erittely: komponentti, lähde, arvo, paino ja päivämäärä.
- Epävarmuus näkyy: pistemäärä esitetään välinsä kanssa, vähäinen data tarkoittaa ”alustava”.
Lähteet ja lisenssit
| Lähde | Perhe | Lisenssi | Indeksissä |
|---|---|---|---|
| LMArena Arena Leaderboard Dataset by LMArena, CC BY 4.0. Modified by fedi.software (equated, weighted, aggregated). Not endorsed by LMArena. | Arena (ihmisten äänet) | CC BY 4.0 | kyllä |
| Epoch AI Epoch AI, 'Capabilities & benchmarking'. Published online at epoch.ai. Retrieved from 'https://epoch.ai/benchmarks'. CC BY. ECI by Epoch AI; Epoch-run results only. Modified by fedi.software. | Epoch AI (vertailutestit) | CC BY 4.0 | kyllä |
| τ²-bench (Sierra) τ²-bench leaderboard, © Sierra Research, MIT License (Yao et al. 2024, arXiv:2406.12045; Barres et al. 2025, arXiv:2506.07982). Sierra-run text submissions only. | τ²-bench (agentit) | MIT | kyllä |
| LiveBench | LiveBench | — | odottaa lupaa |
| Terminal-Bench | Terminal-Bench | — | odottaa lupaa |
| SWE-rebench | SWE-rebench | — | odottaa lupaa |
| Toolathlon | Toolathlon | — | odottaa lupaa |
| models.dev Pricing: models.dev, MIT License, © 2025 models.dev. | modelsdev | MIT | kyllä |
| LiteLLM Pricing: LiteLLM model_prices_and_context_window.json, MIT License, © 2023 Berri AI. | litellm | MIT | kyllä |
| Hugging Face Downloads (30 days): Hugging Face Hub, as of the snapshot date. | hf | — | kyllä |
Osa-alueet ja painot
Yleinen
Arena (ihmisten äänet) osuus 50%
- text/overall
text/overall2 - text/hard_prompts
text/hard_prompts2 - text/expert
text/expert1 - text/instruction_following
text/instruction_following1 - text/multi_turn
text/multi_turn0,50 - text/longer_query
text/longer_query0,50
Epoch AI (vertailutestit) osuus 50%
- Epoch Capabilities Index
eci3 - GPQA Diamond
gpqa_diamond0,50 - SimpleQA Verified
simpleqa_verified0,50
Koodaus
Arena (ihmisten äänet) osuus 60%
- text/coding
text/coding1,5 - webdev/overall
webdev/overall1,5
Epoch AI (vertailutestit) osuus 40%
- SWE-bench Verified
swe_bench_verified1
Agentit
Arena (ihmisten äänet) osuus 60%
- agent/overall
agent/overall1
τ²-bench (agentit) osuus 40%
- τ-Knowledge banking
tau2/banking_knowledge1,5 - τ²-bench retail
tau2/retail1 - τ²-bench airline
tau2/airline1 - τ²-bench telecom
tau2/telecom1
Matematiikka
Arena (ihmisten äänet) osuus 50%
- text/math
text/math1
Epoch AI (vertailutestit) osuus 50%
- FrontierMath Tiers 1–3
frontiermath_t1_32 - FrontierMath Tier 4
frontiermath_t41
Kuvat alustava
Arena (ihmisten äänet) osuus 100%
- vision/overall
vision/overall2 - vision/ocr
vision/ocr0,50 - vision/diagram
vision/diagram0,50
Haku alustava
Arena (ihmisten äänet) osuus 100%
- search/overall
search/overall1
Kirjoittaminen alustava
Arena (ihmisten äänet) osuus 100%
- text/creative_writing
text/creative_writing2 - text/longer_query
text/longer_query1
Kielet alustava
Arena-äänet kullakin kielellä; osa-alue näytetään sivuston kyseisenkielisessä versiossa.
English — text/english · Русский — text/russian · Deutsch — text/german · Español — text/spanish · Français — text/french · 日本語 — text/japanese · 한국어 — text/korean · 繁體中文 — text/chinese · Polski — text/polish
Vertailutestit ja niiden ikä
| Komponentti | Versio julkaistu |
|---|---|
Epoch Capabilities Index eci |
ajantasainen (ei vanhenemista) |
GPQA Diamond gpqa_diamond |
2023-11-20 |
SimpleQA Verified simpleqa_verified |
2025-09-09 |
FrontierMath Tiers 1–3 frontiermath_t1_3 |
2026-06-12 |
FrontierMath Tier 4 frontiermath_t4 |
2026-06-12 |
SWE-bench Verified swe_bench_verified |
2024-08-13 |
τ²-bench retail tau2/retail |
2024-06-17 |
τ²-bench airline tau2/airline |
2024-06-17 |
τ²-bench telecom tau2/telecom |
2025-06-09 |
τ-Knowledge banking tau2/banking_knowledge |
2026-03-04 |
Vanhempi vertailutestiversio saa vähemmän painoa (kontaminaatio, kyllääntyminen): paino puolittuu decay_half_life kuukauden välein, alarajana decay_min.
Kaavat
Jokainen komponentti siirretään Arenan asteikolle lineaarisella yhtäsuuruistamisella niiden mallien perusteella, jotka molemmat ovat mitanneet (ankkuri A = Arena text overall). Parametrit kiinnitetään menetelmäversion vertailutilannekuvaan, joten kuukaudet pysyvät vertailukelpoisina.
x_eq = μ_A + (x − μ_c) · σ_A / σ_c se_eq = se · σ_A / σ_c w_c = 8 · family_share[f] · base_w[c] / Σ base_w(f, present) rel_c = τ² / (τ² + se_eq²) w_eff = w_c · rel_c · decay_c · (self_report ? 0 : 1) Q = (Σ w_eff · x_eq + w0 · prior) / (Σ w_eff + w0) SE(Q) = √Σ (w_eff · se_eq)² / (Σ w_eff + w0)
Osa-alueen sisällä komponenteista lasketaan keskiarvo niiden painojen, luotettavuuden (τ) ja vertailutestin iän mukaan; vähän dataa omaava malli vedetään kohti prioria. Parametrit:
anchor- arena:text/overall
total_weight- 8
tau- 15
w0- 0,50
prior_pct- 25
min_anchors- 8
min_votes- 300
min_confidence- 0,90
decay_half_life- 18
decay_min- 0,25
outlier_sigma- 3
outlier_factor- 0,50
population_months- 18
jump_sigma- 3
Taso = huonompi persentiilin mukaisesta tasosta ja luottamusvälin mukaisesta tasosta; yhden lähdeperheen malli saa enintään A:n.
Taso = huonompi persentiilin mukaisesta tasosta ja luottamusvälin mukaisesta tasosta; yhden lähdeperheen malli saa enintään A:n.
provisional_max- A
S ≥ p95A ≥ p80B ≥ p50C ≥ p25 D < p25
Taso luottamusvälin mukaan (sijoituksen yläraja / mallit): S ≤ 10% · A ≤ 30% · B ≤ 60% · C ≤ 85%
Hinta-laatu: laatua rahalle
Hinta-laatu on etäisyys laadun regressiosuoran yläpuolella suhteessa hinnan log₂-arvoon; hinta on palveluntarjoajien mediaani.
slice- general
input_share- 3
output_share- 1
price_sources- modelsdev, litellm
unit- 1m_tokens
Omalla laitteistollasi
Paikallinen: vain avoimet painot, paras kokoonpanoon mahtuva kvantisointi, pistemäärä skaalattuna generointinopeudella.
slice- general
context- 8 192
speed_ref- 20
low_penalty- 0,60
- GPU 12 Gt
- GPU 24 Gt
- Mac 64 Gt
- 128 Gt yhtenäistä muistia
- CPU, 32 Gt RAM
Data, lisenssi ja arkisto
Indeksi (omat lukumme ja erittelymme) on CC BY 4.0: ”fedi-index by fedi.software” ja linkki. Komponenteilla on lähteidensä lisenssit, jotka on lueteltu JSON:n kohdassa sources[].
Tilannekuva jäädytetään jokaisen kuun 1. päivänä eikä se muutu koskaan; uusi menetelmäversio aloittaa uuden sarjan.
Kuukausittainen JSON: 2026-10
Muutosloki
- v1 2026-10-01 First version: LMArena + Epoch AI + τ²-bench, linear equating to Arena text Elo with parameters fixed on the reference snapshot, family shares, sub-scores arena / bench, value = residual of the price regression + Pareto, local = Fit on 5 stacks.
- v1.1 2026-10-01 Local quant floor: the quant is picked like local-fit (Q3 floor; below it only when nothing of Q3+ fits — "strong compression", ×0.6, ranked after every Q3+ model). Local only; the v1 scale and the published 2026-10 snapshot are unchanged.