Metodologia fedi-index
Sursele, licențele, ponderile și formulele indexului — generate din aceeași configurație pe care o folosește calculul.
Metodologie v1 · Date live pentru 2026-10 (recalculate zilnic) · Istoric · JSON
- În index intră doar surse cu licență deschisă explicită (CC BY, MIT, Apache); sursele care încă așteaptă permisiunea rămân dezactivate.
- Contează rulările independente; declarațiile producătorilor sunt afișate cu etichetă și nu primesc pondere.
- O familie de surse este o singură voce: categoriile corelate ale acelorași votanți nu se adună.
- Fiecare scor are o descompunere publică: componentă, sursă, valoare, pondere și dată.
- Incertitudinea este vizibilă: scorul vine cu intervalul său, puține date înseamnă „provizoriu”.
Surse și licențe
| Sursă | Familie | Licență | În index |
|---|---|---|---|
| LMArena Arena Leaderboard Dataset by LMArena, CC BY 4.0. Modified by fedi.software (equated, weighted, aggregated). Not endorsed by LMArena. | Arena (voturi ale oamenilor) | CC BY 4.0 | da |
| 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 (benchmarkuri) | CC BY 4.0 | da |
| 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 (agenți) | MIT | da |
| LiveBench | LiveBench | — | așteaptă permisiunea |
| Terminal-Bench | Terminal-Bench | — | așteaptă permisiunea |
| SWE-rebench | SWE-rebench | — | așteaptă permisiunea |
| Toolathlon | Toolathlon | — | așteaptă permisiunea |
| models.dev Pricing: models.dev, MIT License, © 2025 models.dev. | modelsdev | MIT | da |
| LiteLLM Pricing: LiteLLM model_prices_and_context_window.json, MIT License, © 2023 Berri AI. | litellm | MIT | da |
| Hugging Face Downloads (30 days): Hugging Face Hub, as of the snapshot date. | hf | — | da |
Secțiuni și ponderi
General
Arena (voturi ale oamenilor) cotă 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 (benchmarkuri) cotă 50%
- Epoch Capabilities Index
eci3 - GPQA Diamond
gpqa_diamond0,50 - SimpleQA Verified
simpleqa_verified0,50
Programare
Arena (voturi ale oamenilor) cotă 60%
- text/coding
text/coding1,5 - webdev/overall
webdev/overall1,5
Epoch AI (benchmarkuri) cotă 40%
- SWE-bench Verified
swe_bench_verified1
Agenți
Arena (voturi ale oamenilor) cotă 60%
- agent/overall
agent/overall1
τ²-bench (agenți) cotă 40%
- τ-Knowledge banking
tau2/banking_knowledge1,5 - τ²-bench retail
tau2/retail1 - τ²-bench airline
tau2/airline1 - τ²-bench telecom
tau2/telecom1
Matematică
Arena (voturi ale oamenilor) cotă 50%
- text/math
text/math1
Epoch AI (benchmarkuri) cotă 50%
- FrontierMath Tiers 1–3
frontiermath_t1_32 - FrontierMath Tier 4
frontiermath_t41
Imagine provizoriu
Arena (voturi ale oamenilor) cotă 100%
- vision/overall
vision/overall2 - vision/ocr
vision/ocr0,50 - vision/diagram
vision/diagram0,50
Căutare provizoriu
Arena (voturi ale oamenilor) cotă 100%
- search/overall
search/overall1
Scriere provizoriu
Arena (voturi ale oamenilor) cotă 100%
- text/creative_writing
text/creative_writing2 - text/longer_query
text/longer_query1
Limbi provizoriu
Voturi Arena în fiecare limbă; secțiunea este afișată pe versiunea site-ului în acea limbă.
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
Benchmarkuri și vechimea lor
| Componentă | Lansarea versiunii |
|---|---|
Epoch Capabilities Index eci |
live (fără atenuare) |
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 |
O versiune mai veche a unui benchmark primește pondere mai mică (contaminare, saturație): ponderea se înjumătățește la fiecare decay_half_life luni, până la decay_min.
Formule
Fiecare componentă este adusă la scara Arena prin echivalare liniară pe modelele măsurate de ambele (ancora A = Arena text overall). Parametrii sunt fixați pe instantaneul de referință al versiunii de metodologie, astfel încât lunile rămân comparabile.
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)
În cadrul unei secțiuni componentele sunt mediate cu ponderile lor, fiabilitatea (τ) și vechimea benchmarkului; un model cu puține date este tras spre prior. Parametri:
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
Nivel = cel mai slab dintre nivelul după percentilă și nivelul după intervalul de încredere; un model cu o singură familie de surse primește cel mult A.
Nivel = cel mai slab dintre nivelul după percentilă și nivelul după intervalul de încredere; un model cu o singură familie de surse primește cel mult A.
provisional_max- A
S ≥ p95A ≥ p80B ≥ p50C ≥ p25 D < p25
Nivel după intervalul de încredere (limita superioară a locului / modele): S ≤ 10% · A ≤ 30% · B ≤ 60% · C ≤ 85%
Raport calitate-preț: calitate pentru bani
Raportul calitate-preț este distanța deasupra dreptei de regresie a calității pe log₂ al prețului; prețul este mediana furnizorilor.
slice- general
input_share- 3
output_share- 1
price_sources- modelsdev, litellm
unit- 1m_tokens
Pe hardware-ul tău
Local: doar ponderi deschise, cea mai bună cuantizare care încape într-o configurație, scorul scalat după viteza de generare.
slice- general
context- 8.192
speed_ref- 20
low_penalty- 0,60
- GPU 12 GB
- GPU 24 GB
- Mac 64 GB
- 128 GB memorie unificată
- CPU, 32 GB RAM
Date, licență și arhivă
Indexul (cifrele și descompunerile noastre) este sub CC BY 4.0: „fedi-index by fedi.software” cu link. Componentele păstrează licențele surselor lor, listate în sources[] din JSON.
Pe 1 ale fiecărei luni se îngheață un instantaneu care nu se mai schimbă niciodată; o nouă versiune de metodologie pornește o nouă serie.
JSON lunar: 2026-10
Jurnal de modificări
- 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.