Så ska listan läsas
Artificial Analysis är ett oberoende analysföretag som själva kör samma tester på alla modeller under samma villkor och väger ihop dem till ett enda tal. Version 4.3.2 av indexet bygger på tio tester i fyra delar: agentuppgifter (30 %, bland annat GDPval-AA som liknar riktiga arbetsuppgifter), kod (20 %, bland annat Terminal-Bench), allmän kunskap och långa dokument (30 %) och naturvetenskapligt resonemang (20 %, bland annat Humanity's Last Exam och CritPt).
Så läser du siffran: högre är bättre, och skalan går i praktiken från några få poäng upp till knappt 60 för de bästa i dag. Siffran är inte en procentsats av något. Samma modell finns ofta i flera lägen beroende på hur länge den får tänka (till exempel max, xhigh eller high). Här visas varje modells bästa läge en gång; för Muse Wonder visas både Full och vanliga versionen. Topplistan har ingen egen placering, så placeringen här är räknad efter poängen (lika poäng ger samma placering) bland alla modeller på listan. En siffra med stjärna (*) är enligt Artificial Analysis uppskattad, eftersom de inte själva har kört alla tester utan delvis bygger på skaparens egna uppgifter.
Vad den inte säger: ett snitt döljer var modellen är stark eller svag, så en modell kan vara bäst på kod men medel totalt. Testerna är mest på engelska. Indexet byts ut med jämna mellanrum när testerna blir för lätta, så siffror från olika versioner kan inte jämföras. Det säger heller inget om pris, hastighet eller hur trevlig modellen är att prata med.