Artificial Analysis è spesso la prima tappa quando confronti API LLM, perché cronometra richieste reali verso ogni provider. Ma è solo una prospettiva. Altri siti classificano per voti umani, per punteggi di benchmark, per utilizzo o per prezzo, e ognuno risponde a una domanda diversa. Questa guida spiega cosa misura ciascuno, come, quali dati puoi portarti via e quando usarlo. Ogni informazione qui sotto è stata letta sulle pagine dei siti stessi il 15 novembre 2026.
Prima una premessa: BroadRouter è il sito di BroadNet. Indirizza gli sviluppatori verso BroadNet Inference e pubblica dati sui prezzi. Non fa benchmark dei modelli, e compare in questo elenco solo per i prezzi.
In cosa è forte Artificial Analysis?
Artificial Analysis si descrive come «Independent analysis of AI» (traduzione: «Analisi indipendente dell’IA»). La sua pagina sulla metodologia spiega tre cose che fa e che pochi altri fanno:
- Velocità per endpoint di provider. La velocità di output è «output tokens per second over each request’s full duration» (traduzione: «token di output al secondo sull’intera durata di ogni richiesta»), token di ragionamento compresi, in media «over the workloads we measured in the past 5 days» (traduzione: «sui carichi che abbiamo misurato negli ultimi 5 giorni»). Poiché un modello «may have multiple endpoints across different providers» (traduzione: «può avere più endpoint presso provider diversi»), puoi vedere lo stesso modello girare più veloce su un host che su un altro.
- Latenze confrontabili. Riporta il tempo al primo token, il tempo al primo token della risposta (che include il ragionamento, così modelli con e senza ragionamento si confrontano in modo equo) e il tempo totale.
- Valutazioni proprie. L’Intelligence Index v5.0.1 combina nove valutazioni in quattro gruppi di pari peso (lavoro di conoscenza, coding, scienze, generale). Diverse sono benchmark suoi o sue esecuzioni di task altrui, con il numero di ripetizioni dichiarato.
La sua classifica dei provider copre «over 500 AI Model endpoints» (traduzione: «oltre 500 endpoint di modelli di IA») con costo per task, tempo per task, latenza al primo token della risposta, tasso di errore, finestra di contesto e licenza. I prezzi sono «the current prices listed by providers» (traduzione: «i prezzi attuali indicati dai provider»), e il suo prezzo misto usa un rapporto 7:2:1 tra token in cache, di input e di output. Ricalcola mentalmente quel mix se il tuo carico è sbilanciato sull’output.
Se ti servono velocità e tassi di errore misurati per provider, è difficile da sostituire. Si cercano alternative quando si vuole un segnale diverso: la preferenza umana, un dominio specifico, dati grezzi scaricabili o un listino prezzi con una fonte per ogni riga.
Quali alternative ad Artificial Analysis esistono?
| Sito | Cosa misura | Metodo | Dati che puoi portarti via | Ideale per |
|---|---|---|---|---|
| Artificial Analysis | Indice di intelligenza, velocità di output, latenza, tasso di errore, prezzo per endpoint | Esegue valutazioni proprie e richieste cronometrate; finestra mobile di 5 giorni per la velocità | API gratuita, attribuzione obbligatoria | Velocità e latenza per provider |
| Arena (ex LMArena) | Preferenza umana | Due modelli anonimi rispondono, una persona vota, i nomi si rivelano dopo | Dataset di preferenze aperti su Hugging Face | Come le risposte vengono percepite dalle persone |
| Epoch AI Benchmarking Hub | Punteggi di benchmark nel tempo | Esegue alcuni benchmark in proprio con Inspect; raccoglie gli altri dalle classifiche ufficiali | CSV e un client Python; i suoi dati sono CC BY | Tendenze e punteggi grezzi |
| Vals AI | Accuratezza per dominio, costo e latenza | 42 benchmark, alcuni privati o tenuti da parte | Non indicato nella pagina dei benchmark | Legale, finanza, fisco e altri domini |
| Classifiche di OpenRouter | Utilizzo | Token elaborati tramite OpenRouter, in intervalli giornalieri UTC | API pubblica dei modelli con prezzi | Cosa usano davvero gli sviluppatori |
| Open LLM Leaderboard (Hugging Face) | Punteggi dei modelli open-weight | Sei benchmark con l’harness di Eleuther AI | Dataset dei risultati e delle richieste | Confrontare checkpoint open |
| Dati sui prezzi di BroadRouter (sito di BroadNet) | Solo prezzi pubblicati | Letti dalla pagina prezzi di ogni provider, con URL, data e citazione | CSV e JSON, CC BY 4.0 per la raccolta | Verificare un prezzo alla fonte |
In cosa è diversa Arena?
Arena (lmarena.ai ora reindirizza ad arena.ai) chiede a persone reali di confrontare due risposte anonime e sceglierne una. I nomi dei modelli compaiono solo dopo il voto. Così misura la preferenza, che mescola accuratezza, tono, lunghezza e formattazione. La sua classifica ha tabelle separate, tra cui Text, WebDev, Vision, Document e Search, e la vista di Pareto mostra un costo per task. Arena dice di aver reso open source i suoi dati di preferenza su Hugging Face, utile se vuoi studiare i voti invece di leggere una posizione in classifica.
Usala per vedere come una risposta in chat viene accolta dalle persone. Non usarla per scegliere un provider di API: classifica modelli, non host, e non dice nulla sulla velocità di un dato endpoint.
Quando sono più adatti Epoch AI e Vals AI?
Epoch AI mantiene un database di risultati di benchmark: quando l’abbiamo controllato seguiva 99 benchmark e 428 modelli. Alcuni risultati li produce in proprio con il framework Inspect; gli altri arrivano dalle classifiche ufficiali curate dagli autori dei benchmark. Puoi scaricare i dati in CSV o usare il suo client Python. I suoi dati sono liberamente riutilizzabili citando la fonte, con licenza CC BY; i risultati di fonte esterna mantengono le licenze originali. Scegli Epoch quando vuoi punteggi grezzi o una linea di tendenza, non un indice unico.
Vals AI esegue 42 benchmark tra legale, finanza, sanità, coding, matematica e altro, e alcuni set sono privati o tenuti da parte, il che riduce il rischio che un modello sia stato addestrato sul test. Le sue classifiche confrontano accuratezza, costo e latenza, e il suo Inference Provider Index confronta i provider per accuratezza, costo e velocità. Il suo indice composito, il Vals Index, pesa i settori in base alla loro quota del PIL statunitense. Scegli Vals quando il tuo task somiglia a uno dei suoi domini.
Cosa mostrano davvero le classifiche di OpenRouter?
L’utilizzo. Ogni modello è classificato in base ai «tokens it processed through the OpenRouter API» (traduzione: «token che ha elaborato tramite l’API di OpenRouter»), prompt e completamento insieme, sugli ultimi uno, sette o trenta giorni. La pagina dice chiaramente che le classifiche «do not rank models by accuracy, reasoning ability, or benchmark performance» (traduzione: «non classificano i modelli per accuratezza, capacità di ragionamento o prestazioni nei benchmark»). Un modello che scrive risposte lunghe o gira in lunghi loop di agenti sale in classifica. Leggila come un segnale di popolarità e un elenco di modelli da testare. OpenRouter ha anche un endpoint pubblico dei modelli con i prezzi per modello, che riguarda quanto fa pagare OpenRouter, non quanto fa pagare direttamente ciascun host.
Vale ancora la pena usare la Open LLM Leaderboard di Hugging Face?
Per i checkpoint open-weight, sì, con cautela. La documentazione di Hugging Face dice che la prima versione è stata archiviata a giugno 2024 e sostituita. La versione attuale valuta i modelli su IFEval, BBH, MATH livello 5, GPQA, MuSR e MMLU-Pro con l’harness di valutazione di Eleuther AI, e pubblica i risultati come dataset. Valuta file di modelli, non API ospitate, quindi non può dirti nulla su prezzo, velocità o su come un provider serve il modello.
Dove si confrontano i modelli per l’arabo?
Le classifiche generaliste dicono poco sull’arabo, e i filtri visibili di Arena non includono la lingua. Due Space di Hugging Face colmano in parte il vuoto:
- La Open Arabic LLM Leaderboard, gestita dall’organizzazione OALL, per il testo in arabo.
- La Open Universal Arabic ASR Leaderboard, descritta come «a benchmark for open-source multi-dialect Arabic ASR models» (traduzione: «un benchmark per modelli ASR arabi open source multi-dialetto»), per il riconoscimento vocale. BroadNet riporta che il suo modello Transcribe Arabic è #2 su 37 (dato di settembre 2026; la classifica in tempo reale lo indicava #4 su 39 il 15 novembre 2026). È un dato di BroadNet, e la classifica cambia man mano che si aggiungono modelli.
Leggi i risultati vocali per dialetto, non solo la media. Il word error rate dell’ASR arabo spiegato mostra come.
Dove si collocano i dati sui prezzi di BroadRouter?
BroadRouter pubblica tre risorse sui prezzi: le pagine dei prezzi delle API LLM per modello, l’indice dei prezzi con mediane e forbici, e il database grezzo dei prezzi dei provider. Ogni riga è letta dalla pagina prezzi del provider e salvata con URL della fonte, data e citazione letterale, e uno script settimanale riscarica le fonti. Non si usa alcun feed di aggregatori.
Quello che non fa conta altrettanto:
- Non misura velocità, latenza, uptime né qualità. Per quelli, usa Artificial Analysis, Arena, Epoch AI o Vals AI.
- Contiene solo prezzi di terzi. I prezzi di BroadNet sono nel suo pricing.json e nella pagina dei prezzi.
- È il sito di BroadNet, quindi trattalo come la raccolta di un fornitore che puoi verificare riga per riga, non come un giudice neutrale.
Come combinare questi siti?
- Fai la rosa sulla qualità. Usa Arena per la resa in chat ed Epoch AI o Vals AI per i punteggi sui task del tuo dominio. Tieni da tre a cinque modelli.
- Verifica la velocità sull’host che userai. Artificial Analysis mostra velocità e latenza per endpoint. La latenza degli LLM spiegata chiarisce quale numero conta per la tua app.
- Verifica il prezzo alla fonte. Usa un database di prezzi per trovare i provider, poi apri la pagina di ciascun provider. Guarda i prezzi dell’input in cache e dell’output, che per molti carichi spostano la fattura più dell’input.
- Testa sui tuoi dati. Fai passare 50–100 input reali da ogni finalista e dai un punteggio. Un benchmark predice i tuoi risultati solo nella misura in cui i suoi task somigliano ai tuoi. Come valutare un LLM prima di cambiare spiega il metodo, e la checklist in 20 punti per scegliere il provider copre limiti, privacy e supporto.
Dove si colloca BroadNet Inference
BroadNet Inference è un’API compatibile con OpenAI, non una classifica. Serve un piccolo insieme di modelli: DeepSeek V4.1 Flash (ospitato da partner), GLM 5.3, Qwen3.8 27B, Gemma 4 VL 26B e due modelli di speech-to-text. Tool calling e output strutturato sono documentati solo per GLM 5.3 e Qwen3.8 27B. Gli account self-service non hanno SLA, e non ci sono API batch né embedding. Se uno di questi modelli entra nella tua rosa, il credito iniziale di $5 copre Gemma 4 VL 26B, entrambi i modelli Transcribe e le chiavi orarie Gemma, così puoi eseguire il passo 4 sui tuoi input prima di pagare; DeepSeek, GLM e Qwen richiedono una ricarica. Prompt e risposte non vengono conservati. Confronta i modelli o crea un account.
