Ön rapor ·
40 görsel akıl yürütme sorusunda üç yapay zekâ modeli
Doğruluk, yanıt tamamlama, API gecikmesi ve maliyet üzerine ön rapor: model başına 40 soruluk tek koşu ve akıl yürütme sınırları ile yanıt aktarımını inceleyen ayrı geliştirme kontrolleri.
- tarihli model sürümü
- 3
- model başına soru
- 40
- model başına ilk koşu
- 1
İlk 40 soruluk koşu
Tüm modeller orta düzey akıl yürütme ve akıl yürütme dâhil toplam 8.192 çıktı tokeni sınırı kullandı. Sınırda kesilen yanıt ham puanda başarısız sayılır.
Tüm sütunları görmek için tabloyu yana kaydırın.
| Model | Doğru / 40 | Yanlış | Sınırda kesilen | Geçerli / 40 | Medyan API süresi | API kullanımı (USD) |
|---|---|---|---|---|---|---|
| Gemini 4 CarbonGoogle AI Studio | 34/40%85,0 | 1 | 5 | 35/40 | 13,9 sn. | $0,92 |
| Claude Fable 5.2Anthropic | 32/40%80,0 | 7 | 1 | 39/40 | 4,0 sn. | $1,76 |
| GPT-6 AstraOpenAI | 37/40%92,5 | 3 | 0 | 40/40 | 3,7 sn. | $1,80 |
Geçerli, istenen biçimde tamamlanmış yanıt demektir. API süresi ağ, kuyruk ve üretimi içerir; medyana sınır kesilmeleri de dâhildir. Ek başarısız HTTP denemesi ayrı kaydedilir. Gösterilen maliyetler yuvarlanır; dosyalarda kesin tutarlar korunur.
Tamamlamanın önemi
Carbon bir yanlış yanıt verdi ve beş token kesilmesi yaşadı. Astra üç yanlış yanıt verdi, kesilme yaşamadı. Görünen fark, aynı nominal sınıra rağmen farklı tamamlama imkânlarını da içerir.
Akıl yürütme çıktı bütçesinin bir bölümünü tüketir; bütçe bittiğinde son yanıt oluşmayabilir. Eşit token sınırları ve “orta” gibi etiketler sağlayıcılar arasında eşit hesaplama anlamına gelmez. OpenRouter akıl yürütme tokenleri belgeleri
Sonradan yapılan duyarlılık kontrolü
Tüm modellerin geçerli yanıt verdiği 34 soruda Carbon ve Astra ayrı ayrı 33/34, Fable 30/34 aldı. Bu alt küme hatalar gözlendikten sonra seçildi ve kesilen soruları dışlar. Bir duyarlılık kontrolüdür; tarafsız alternatif sıralama veya eşit yetenek kanıtı değildir.
Ayrı geliştirme kontrolleri
24, 28, 35, 36, 38 ve 40 konumları, her birinde en az bir model ilk sınırı tükettiği için seçildi. Tamamlama, aktarım, süre ve maliyet kontrol edildi. Doğruluk puanlanmadı: 6/6 geçerli yanıt, altı doğru yanıt demek değildir. İlk puanların yerine konulmadılar.
Tüm sütunları görmek için tabloyu yana kaydırın.
| Profil | Çıktı sınırı | Geçerli / 6 | Sınırda kesilen | Alınamayan | API kullanımı (USD) |
|---|---|---|---|---|---|
| GPT-6 AstraOpenAI · yüksek akıl yürütmeAkıl yürütme API yanıtından çıkarıldı | 32.768 | 6/6 | 0 | 0 | $1,08 |
| Claude Fable 5.2Anthropic · yüksek akıl yürütmeAkıl yürütme API yanıtından çıkarıldı | 32.768 | 6/6 | 0 | 0 | $0,80 |
| Gemini 4 CarbonGoogle AI Studio · yüksek akıl yürütmeAkıl yürütme API yanıtından çıkarıldı | 32.768 | 3/6 | 1 | 2 | $1,05 |
| Gemini 4 CarbonGoogle Vertex global · yüksek akıl yürütmeAkıl yürütme API yanıtından çıkarıldı | 65.536 | 3/6 | 0 | 3 | $0,49 |
| Gemini 4 CarbonGoogle Vertex global · yüksek akıl yürütmeAPI ilerlemesi dâhil; metin yerelde atıldı | 65.536 | 6/6 | 0 | 0 | $1,42 |
İlk Carbon profilinde ayrıca daha önceki yanıtsız, ücretlendirilmemiş zaman aşımı vardı; tek kurtarma denemesi tamamlandı. Başarısız deneme ölçümlerde kalır. Sonraki alınamayan yanıtlar yeniden denenmeden korundu.
Bir soru 51.145 çıktı tokeni kullandı
Son Carbon profili Vertex, 65.536 token sınırı ve metni yerelde atılan akış hâlindeki akıl yürütme ilerlemesini kullandı. Altı soru da tamamlandı. Biri 10 dakika 56 saniye, diğeri 6 dakika 43 saniye sürdü. İkisi de önceki beş dakikalık zaman aşımı sınırını geçti.
Bu, bu geliştirme soruları için çalışan bir ayarı destekler. Evrensel zaman aşımı nedenini kanıtlamaz, gelecekte tamamlamayı garanti etmez ve yeni 40 soruluk doğruluk puanı sağlamaz. Önceki hatalar ayrı kalır.
Çalışma nasıl yürütüldü?
- Aynı görev, yeni bağlam
- Soru ve sekiz numaralı seçenek içeren, soru başına 1152 × 1552 boyutunda tek sabit görsel. Aynı İngilizce istem ve katı JSON şeması kullanıldı. Araç, tarayıcı, ipucu veya cevap anahtarı verilmedi.
- Sabit seçenekler ve yerel puanlama
- Sabit tohumlu dengeli karıştırma, görünen numaraları ilk seçeneklerle eşledi. Puanlar yerelde canlı sistemin değerlendiricisiyle karşılaştırıldı. Alınan ilk yanıtlar ve kesilmeler tekrarlanmadı.
- Aktarım hataları görünür kalır
- İlk koşudaki ek yanıtsız HTTP 503 denemesinin ücretlendirilmediği doğrulandı ve aynı şekilde tekrarlandı. 29,516 saniye sürdü. Geliştirme profilleri ve kurtarma geçmişi ayrı belgelendi.
- Kurum içi keşifsel değerlendirme
- UniversalIQTest.com kaynak testi işletir ve çalışmayı yürüttü. İstek ve görsel karmaları, soru süreleri, puanlama ve maliyetler yerelde kontrol edildi. Dış hakem değerlendirmesi yapılmadı.
Kesin model sürümleri ve ilk sağlayıcılar
google/gemini-4-carbon-20261110— Google AI Studioanthropic/claude-fable-5.2-20261109— Anthropicopenai/gpt-6-astra-20260903— OpenAI
İlk protokolün parmak izi: f4425b7fb5a235cd7c11fb84c4849c4f7df3d43064160f289b8434ec9478f59b
Raporun ortaya koyabildikleri
Belirli bir açık soru kümesindeki performansı, açıklanan API ayarlarıyla belgeler. Tamamlama, hatalar, gecikme ve maliyet ayrı raporlanmalıdır. Model başına tek ilk koşu olduğundan koşular arası değişkenlik tahmin edilmedi.
Açık sorular eğitim verilerinde yer almış olabilir; bu ölçülmedi. Numaralı sabit düzen, insanların etkileşimli testinden farklıdır. Sonraki profiller farklı ayarlar ve toplama koşulları kullandığından gecikme sıralaması vermez.
Hiçbir modele insan IQ’su veya yüzdelik dilim ölçülmedi ya da atanmadı. İnsan test normları yapay zekâya otomatik aktarılmaz. Tekrarlı tam değerlendirme için önceden sabitlenmiş yeni veri toplama planı gerekir. OECD’nin yapay zekâ için insan testleri tartışması
Ölçümler ve kaynak gösterimi
Kayıtlı API kullanımı: ilk koşu $4,478100, geliştirme kontrolleri $4,843563, teknik pilotlar $0,334781. Toplam: $9,656444 (yuvarlanmış $9,66). Faturalamayla uzlaştırıldı; ücretler ve vergiler hariçtir.
- Rapor (Markdown, İngilizce)
- Toplu sonuçlar (JSON)
- Soru bazında ölçümler (JSON)
- Yöntemler (JSON)
- Dosya karmaları (JSON)
Tüm diller aynı kaynak dosyalarını paylaşır. İndirilen rapor, grafik, JSON alan adları ve ilk istem İngilizcedir. Çözümler, özel cevap anahtarı, katılımcı kayıtları, kimlik bilgileri ve akıl yürütme metni dâhil değildir. Aşağıdaki kaynak gösterimi özgün başlığı kullanır.
UniversalIQTest.com (2026). Three AI models on 40 visual reasoning questions: preliminary report. 14 November 2026. https://www.universaliqtest.com/ai-iq-testSık sorulan sorular
- Bunlar yapay zekâ IQ puanları mı?
- 40 görsel akıl yürütme sorusunun ham sonuçlarıdır. İnsan IQ’su veya yüzdelik dilim ölçülmedi ya da atanmadı. Çıktı hataları ve tek koşu genel zekâ sıralaması vermez.
- Geçerli kalibrasyon yanıtı ne demek?
- İstenen JSON biçiminde tam yanıt. Kalibrasyon puanlanmadı: altı geçerli yanıt altı doğru yanıt değildir. İlk yanıtları değiştirmediler.
- Modeller ve insanlar aynı testi mi yaptı?
- Şekiller aynı açık 40 soruluk testten alındı. Modellere sekiz seçenekli sabit görseller, sabit İngilizce istem ve yeni bağlam verildi. İnsanların etkileşimli deneyimi yeniden oluşturulmadı. Raporun çevirisi deneyin dilini değiştirmez.
- Her sorunun süresi ölçüldü mü?
- Evet, ilk 120 konumun tamamında. API süreleri ağ, kuyruk, görsel işleme ve üretimi içerir; yalnızca düşünme veya insanın aktif yanıt süresi değildir. Ek başarısız denemeler ayrı kaydedilir.
Soru biçimini veya yöntemlerimizi inceleyin.