fedi-index metodik
Indexets källor, licenser, vikter och formler — genererade från samma konfiguration som beräkningen använder.
Metodik v1 · Livedata för 2026-10 (beräknas dagligen) · Historik · JSON
- Endast källor med en uttrycklig öppen licens (CC BY, MIT, Apache) ingår i indexet; källor som väntar på tillstånd förblir avstängda.
- Oberoende körningar räknas; leverantörernas egna resultat visas med en märkning och får ingen vikt.
- En källfamilj är en röst: korrelerade kategorier från samma röstare summeras inte.
- Varje poäng har en offentlig uppdelning: komponent, källa, värde, vikt och datum.
- Osäkerheten syns: en poäng visas med sitt intervall, lite data betyder ”preliminär”.
Källor och licenser
| Källa | Familj | Licens | I indexet |
|---|---|---|---|
| LMArena Arena Leaderboard Dataset by LMArena, CC BY 4.0. Modified by fedi.software (equated, weighted, aggregated). Not endorsed by LMArena. | Arena (mänskliga röster) | CC BY 4.0 | ja |
| 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 (benchmarks) | CC BY 4.0 | ja |
| 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 (agenter) | MIT | ja |
| LiveBench | LiveBench | — | väntar på tillstånd |
| Terminal-Bench | Terminal-Bench | — | väntar på tillstånd |
| SWE-rebench | SWE-rebench | — | väntar på tillstånd |
| Toolathlon | Toolathlon | — | väntar på tillstånd |
| models.dev Pricing: models.dev, MIT License, © 2025 models.dev. | modelsdev | MIT | ja |
| LiteLLM Pricing: LiteLLM model_prices_and_context_window.json, MIT License, © 2023 Berri AI. | litellm | MIT | ja |
| Hugging Face Downloads (30 days): Hugging Face Hub, as of the snapshot date. | hf | — | ja |
Urval och vikter
Allmänt
Arena (mänskliga röster) andel 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 (benchmarks) andel 50%
- Epoch Capabilities Index
eci3 - GPQA Diamond
gpqa_diamond0,50 - SimpleQA Verified
simpleqa_verified0,50
Kodning
Arena (mänskliga röster) andel 60%
- text/coding
text/coding1,5 - webdev/overall
webdev/overall1,5
Epoch AI (benchmarks) andel 40%
- SWE-bench Verified
swe_bench_verified1
Agenter
Arena (mänskliga röster) andel 60%
- agent/overall
agent/overall1
τ²-bench (agenter) andel 40%
- τ-Knowledge banking
tau2/banking_knowledge1,5 - τ²-bench retail
tau2/retail1 - τ²-bench airline
tau2/airline1 - τ²-bench telecom
tau2/telecom1
Matematik
Arena (mänskliga röster) andel 50%
- text/math
text/math1
Epoch AI (benchmarks) andel 50%
- FrontierMath Tiers 1–3
frontiermath_t1_32 - FrontierMath Tier 4
frontiermath_t41
Bildförståelse preliminär
Arena (mänskliga röster) andel 100%
- vision/overall
vision/overall2 - vision/ocr
vision/ocr0,50 - vision/diagram
vision/diagram0,50
Sökning preliminär
Arena (mänskliga röster) andel 100%
- search/overall
search/overall1
Skrivande preliminär
Arena (mänskliga röster) andel 100%
- text/creative_writing
text/creative_writing2 - text/longer_query
text/longer_query1
Språk preliminär
Arena-röster på varje språk; ett urval visas på webbplatsversionen på det språket.
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
Benchmarks och deras ålder
| Komponent | Version släppt |
|---|---|
Epoch Capabilities Index eci |
live (ingen nedviktning) |
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 |
En äldre benchmarkversion får mindre vikt (kontaminering, mättnad): vikten halveras var decay_half_life månad, ned till decay_min.
Formler
Varje komponent förs över till Arena-skalan genom linjär ekvivalering på de modeller som mätts av båda (ankare A = Arena text totalt). Parametrarna fastställs på metodikversionens referensögonblicksbild, så att månaderna förblir jämförbara.
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)
Inom ett urval medelvärdesbildas komponenterna med sina vikter, tillförlitlighet (τ) och benchmarkens ålder; en modell med lite data dras mot priorn. Parametrar:
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
Nivå = den sämre av nivån efter percentil och nivån efter konfidensintervallet; en modell med en källfamilj får högst A.
Nivå = den sämre av nivån efter percentil och nivån efter konfidensintervallet; en modell med en källfamilj får högst A.
provisional_max- A
S ≥ p95A ≥ p80B ≥ p50C ≥ p25 D < p25
Nivå efter konfidensintervallet (övre gräns för placeringen / modeller): S ≤ 10% · A ≤ 30% · B ≤ 60% · C ≤ 85%
Prisvärdhet: kvalitet för pengarna
Prisvärdhet är avståndet ovanför regressionslinjen för kvalitet mot log₂ av priset; priset är medianen av leverantörer.
slice- general
input_share- 3
output_share- 1
price_sources- modelsdev, litellm
unit- 1m_tokens
På din hårdvara
Lokalt: endast öppna vikter, den bästa kvantiseringen som får plats i en uppsättning, poängen skalad efter genereringshastighet.
slice- general
context- 8 192
speed_ref- 20
low_penalty- 0,60
- GPU 12 GB
- GPU 24 GB
- Mac 64 GB
- 128 GB delat minne
- CPU, 32 GB RAM
Data, licens och arkiv
Indexet (våra siffror och uppdelningar) är CC BY 4.0: ”fedi-index by fedi.software” med en länk. Komponenterna behåller sina källors licenser, listade i sources[] i JSON.
En ögonblicksbild fryses den 1:a varje månad och ändras aldrig; en ny metodikversion startar en ny serie.
Månatlig JSON: 2026-10
Ändringslogg
- 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.