Daha Az Bilinen Yapay Zekâ Modelleri: MiMo, Qwen3.8 Max, GLM-5.3 ve Muse Spark

👁 119 okunma

Yapay zekâ sıralamalarında öne çıkan, daha az bilinen dört model Artificial Analysis endeksinde Anthropic ve OpenAI modellerinin hemen arkasında, Grok 4.7’nin yanında yer alıyor: Meta’nın Muse Spark 1.3’ü, Xiaomi’nin MiMo-V2.6-Pro’su, Alibaba’nın Qwen3.8 Max’i ve Z.ai’ın GLM-5.3’ü. Bu modellerin endeks puanları 45-48 arasında; çıktı token‘ı başına maliyetleri Claude Opus 5.5’ten 3-23 kat daha düşük. Dördünü de aynı 13 görev ve 16 model sıralamamda kullandığım kör değerlendirme yöntemiyle test ettim. 8 Ekim’den itibaren OpenRouter’da bulunan StepFun’ın Step 5 Preview modelini uygulamalı testim ve teknik özellikleriyle ayrıca anlattım. Muse Spark’ın halefi Muse Wonder ise 12 Ekim’de dünya sıralamasının üst sıralarına çıktı.

01GLM-5.3 yazma testi: 13 görev, sağlayıcılar ve fiyatlarGLM-5.3, yazma testinde 63,6 puan aldı. Hızını, farklı sağlayıcılardaki sonuçlarını ve USD cinsinden API fiyatlarını inceliyoruz.Oku →02Xiaomi MiMo-V2.6: fiyatı, benchmark sonuçları ve testimMiMo-V2.6 Pro ve Flash: MIT lisansı, 0,435 USD'lik giriş fiyatı, Xiaomi'nin benchmark tablosundaki tutarsızlık ve uzun metin yazamayan Pro ile yaptığım testlerin sonuçları.Oku →

Modeller neler, sıralamada neredeler?

Artificial Analysis, 4.3.2 sürümündeki endeksini ajan görevleri, programlama, bilimsel akıl yürütme ve genel bilgi alanlarında 10 test kullanarak hesaplıyor. Aşağıdaki değerler 27 Eylül 2026’da kaydedildi. AA görev maliyeti, benim testimin değil, aynı sayfada belirtilen endeks görevlerinden birinin ortalama maliyetidir.

Tablodan üç sonuç çıkıyor. Muse Spark, üst sıralardaki en hızlı model: saniyede 214-252 token üretiyor; bu, Opus 5.5’in xhigh sürümünden (89) iki kattan fazla hızlı. MiMo-V2.6-Pro, endeks görevini 0,13 USD’ye tamamlıyor; bu, Opus’un max sürümünden 46 kat daha ucuz. Qwen ise ters uçta: endekste 190 milyon token ürettiği için görev başına 5,41 USD’ye mal oluyor.

Lehçe testimin sonuçları

Her modele OpenRouter üzerinden, Lehçe yazma yapay zekâları sıralamamda kullandığım 13 komutun aynısını verdim: 9 yazma görevi (makale, ürün açıklaması, e-posta, gönderi, öykü, başlıklar, özet, çeviri ve çocuklara yönelik metin), iki düzeltme görevi ve Polonya hakkında iki test. Tüm modellerde ayarlar aynıydı: effort=low, varsayılan sıcaklık ve aynı token sınırları. Yanıtları farklı şirketlerden üç değerlendirici kör olarak puanladı (Claude Opus 5.5, GPT-6 Sol ve Gemini 3.1 Pro); değerlendirilen modelle aynı şirkete ait değerlendirici kullanılmadı. Sonuç; değerlendirici puanlarının %70’i, komut kurallarının %20’si ve metin temizliğinin (uzun çizgiler, gereksiz dolgu) %10’undan oluşuyor.

İlk turdan dört referans modeli de ekledim: Claude Opus 5.5, GPT-6 Luna, Qwen3.8 Max ve GLM-5.3. Puanları önceki turdakilerden 0,5-1,3 puan farklıydı ve sıralama değişmedi; dolayısıyla ölçek karşılaştırılabilir. Ortalama kayma +0,1 puandı. Muse Spark testi birkaç saat sonra yaptığım için değerlendiriciler onu aynı referans modellerin bulunduğu ayrı bir grupta puanladı. Bu gruptaki referanslar ilk turdan 1,0-1,7 puan farklı olsa da sıralama yine değişmedi; ölçek kayması -0,15 puan oldu.

* Eşit token sınırları uygulansaydı alınacak sonuç; açıklama aşağıda. Qwen’in maliyetine 26 Eylül’deki boş ilk deneme (0,0366 USD) dâhil değil.
** Aynı referans modellerle ayrı bir grupta değerlendirildi (Opus 5.5 - 91,8, Luna - 81,8, Qwen - 77,5, GLM-5.3 - 62,7). İlk turun ölçeğine göre ayarlandığında: 75,3 puan.

16 modelin sıralama tablosunda Muse Spark (kalibrasyon sonrası 75,3) 11. sırada; Qwen’in (75,9) hemen arkasında, DeepSeek V4 Pro’nun (74,1) önünde olurdu. MiMo 69,1 puanla Claude Sonnet 5 (71,9) ve Mistral Medium 3.5 (68,0) arasında, 14. sıraya yerleşirdi. Qwen 10., GLM sondan ikinci sırada.

Qwen puanıyla ilgili düzeltme. İlk turda (26 Eylül) Qwen, ürün açıklaması görevinde 6000 token sınırına kadar düşünüp boş yanıt verdi. Daha yüksek bir sınırla yeniden denedim ve değerlendiriciler bu ikinci denemeyi puanladı: model kısa bir ürün açıklaması üzerinde düşünmek için 14.460 token kullandı. Diğer modellere ikinci deneme hakkı vermediğim için bu yöntem hatasıydı. Görevi başarısız sayarsak (değerlendirici ortalaması 1, kurallardan 3 üzerinden 0), Qwen’in puanı 68,2 olur. Bu, MiMo’nun 69,1 puanına yakın; Muse Spark’ın 75,5 puanından ise belirgin biçimde düşük. Bu turda daha yüksek sınırla hiçbir görevi yeniden denemedim. MiMo’nun boş test yanıtı yazma puanına dâhil değil; bu puan yalnızca T1-T9 görevlerinden hesaplanıyor.

Yanıtlarda neler öne çıktı?

Qwen3.8 Max, dörtlü içinde komutlardaki 26 kuralın tamamını karşılayan ve zor düzeltmeyi hatasız yapan tek modeldi. Değerlendiriciler en yüksek puanları çocuğa yönelik enflasyon metnine (8,89), öyküye (8,56) ve SEO başlıklarına (8,56) verdi. En zayıf sonuç özetteydi (6,22): Lehçe özgün yanıtında “uygulama tarihi belirlenmedi” ifadesini dilbilgisi açısından hatalı kullandı ve eğitimlerden söz etmedi. Buradaki alıntı, Lehçe test yanıtının Türkçeye çevrilmiş aktarımıdır. Çeviride deyimler başarılıydı; özgün Lehçe yanıtta “soğuk duş” ve “şanssızlıktaki şans” karşılıkları kullanıldı. Ancak “işe alıştırma” ve “takip” gibi İngilizce ifadeler de kaldı. Bunlar Lehçe test yanıtlarının Türkçeye çevrilmiş örnekleridir; Türkçe test sonucu değildir.

Muse Spark 1.3 en değişken sonuçları verdi. Deyimli çevirisi 8,67 (“kuantum fiziği değil”, “soğuk duş”), LinkedIn gönderisi 8,56 puan aldı; ürün açıklaması ise yalnızca 3,44 puanda kaldı. Model, istenen uzunluğa ulaşmak için tüm ürün özelliklerini ikinci kez yazdı. Makaleye Lehçe “bu bir örnektir” ifadesini 20 kez ekledi ve Lehçe yanıtında Türkçe ile Lehçeyi karıştıran, “gerçek olmayan pazar fiyatı” anlamındaki hatalı bir ifade kullandı. Bu örnekler Lehçe test çıktılarının Türkçe aktarımıdır. Değerlendirici ortalaması (6,78) ve doğallık puanı (5,63) MiMo ve Qwen’den düşüktü. Yüksek toplam puanını kurallarda aldığı sonuç (26 üzerinden 25) ve metin temizliği artırdı: 1000 kelimede yalnızca 3 uzun çizgi kullandı; bu, gruptaki en düşük sayıydı ve gereksiz dolgu yoktu. Yazma görevlerinin dışında neredeyse hatasızdı: zor düzeltmede 29/30, iki testte de tam puan.

MiMo-V2.6-Pro, tüm gruptaki en iyi özeti yazdı (9,44; Opus 5.5’in 9,33 puanından yüksek) ve kolay düzeltmeyi hatasız yaptı. Öte yandan öyküsü, Lehçe özgün yanıtındaki dilbilgisi hataları nedeniyle 5,0 aldı; örneğin ifadelerden biri “Akşamları hep kokuyordu” anlamında bozuktu, bir diğeri de yanlış yazılmıştı. LinkedIn gönderisinde ise “Kupalar değil. Onlar için.” anlamına gelen anlaşılmaz bir ifade vardı. Bu örnekler Lehçe test yanıtlarının Türkçe aktarımıdır. Model 1000 kelimede 24,6 uzun çizgi kullandı; Opus’ta bu sayı 5,1’di.

GLM-5.3, iki çalıştırmada da en fazla çekim hatası ve yazım yanlışı yapan modeldi. E-postanın iki sürümünde de Lehçe özgün yanıtta “özürler kapsamında” anlamına gelen dilbilgisi hatalı bir ifade yer aldı. OpenRouter yönlendirmeli sürümün çevirisi 3,0 puan aldı; özgün Lehçe metinde “çatıda yürüdük” ve yanlış yazılmış “üç ayda bir” ifadeleri vardı. Z.ai üzerinden alınan sürüm ise 8,78 puan aldı. Z.ai sürümündeki öyküde değerlendiriciler “zarftan çıktı” yerine “zarf ondan çıktı” anlamındaki hatalı ifadeyi ve yanlış yazılmış bir kelimeyi işaretledi. Bunlar Lehçe yanıtların Türkçe aktarımıdır. Her görevde tek deneme yapılması büyük puan farklarına yol açabiliyor; yine de iki sürümün ortalaması benzerdi.

Boş yanıtlar ve Lehçe düşünme süresi

Çin yapay zekâ modellerinin Lehçe testinde MiMo-V2.6-Pro beş kez token sınırına kadar düşünüp metin üretmemişti. Bu kez diğer modellerle aynı effort=low ayarında 13 yanıtın 12’sini verdi; Laboratuvar görevleri daha kısa, metinler en fazla 500 kelimeydi. Tek boş yanıt zor testte geldi: 9000 düşünme token’ı, 613 saniye ve hiç metin yok. Diğer modellerden daha iyi koşullar elde etmemesi için yalnızca MiMo’nun sınırını yükseltmedim; testi başarısız saydım. Düşünme, MiMo’nun testte ürettiği toplam token’ların %85’ini oluşturdu (33,6 bin token’ın 28,5 bini).

Uzun metin sorununu aşıp aşmadığını da kontrol ettim. 27 Eylül’de 900 kelimelik aynı komutu effort=low ayarında yeniden verdim: 9000 düşünme token’ı, 204 saniye, boş yanıt ve 0,0079 USD maliyet. Değişen bir şey yoktu.

Qwen3.8 Max de çok düşünüyor: 13 görevde 33 bin düşünme token’ı kullandı ve 9 yazma görevini neredeyse 10 dakikada tamamladı. Muse Spark da effort=low ayarında epey düşünüyor (17,2 bin token; çıktısının %76’sı). Bu yüzden AA ölçümlerindeki saniyede 214-252 token hızına rağmen 9 yazma görevi 135 saniye sürdü; bu, Opus 5.5’e yakındı. GLM-5.3 effort=low ayarında neredeyse hiç düşünmedi (test boyunca 211 token), bu nedenle en hızlı model oldu.

Milyon token başına fiyatlar

Üretici fiyatları, vergiler hariç; 27 Eylül 2026’da kontrol edildi. Fiyatlar USD cinsindendir.

İki turun toplam maliyeti 3,26 USD oldu: MiMo ve GLM turu 1,66 USD (model yanıtları ve kontroller 0,07 USD, değerlendiriciler 1,59 USD); Muse Spark turu 1,60 USD (yanıtlar 0,10 USD, değerlendiriciler 1,50 USD). Referans yanıtları ilk turdan geldiği için yalnızca yeniden değerlendirme ücretini ödedim.

Bu modellere nasıl erişilir?

• Muse Spark 1.3 - Meta Model API, “genişletilmiş küresel erişim” ibaresiyle herkese açık önizlemede; ancak Meta ülke listesi yayımlamıyor. Eylül ayında Avrupa’daki kullanıcılar bölge erişimi olmadığını belirten mesajlar bildirdi. OpenRouter’da kullanmak için hesap ayarlarında 18 yaşını doğrulamak gerekiyor. Kişisel asistan uygulaması Muse yalnızca ABD’de çalışıyor. Ayrıntılar için Muse Spark 1.3 yazısına bakın.
• MiMo-V2.6-Pro - API mimo.mi.com üzerinden, Xiaomi’nin SSS sayfasına göre ücretsiz MiMo Studio sohbeti, OpenRouter’da üç sağlayıcı ve Hugging Face’te MIT lisanslı model ağırlıkları bulunuyor. Polonya’dan sohbet erişimini kontrol etmedim.
• Qwen3.8 Max - Alibaba Cloud Model Studio’nun uluslararası sürümünde ve OpenRouter’da (yalnızca Alibaba sağlayıcı olarak) sunuluyor. 0902 sürümünün ücretsiz Qwen Chat’te seçilebildiğini doğrulayamadım.
• GLM-5.3 - Z.ai API’si, ayda 18 USD’den başlayan GLM Coding Plan aboneliği ve OpenRouter’da 30’dan fazla sağlayıcı üzerinden kullanılabiliyor. chat.z.ai sohbeti, web sitesine göre tam model yerine GLM-5.3-Flash kullanıyor.

Meta uygulamaları dışında dört modeli denemenin en kolay yolu, benim de testte kullandığım gibi tek bir OpenRouter hesabı olabilir. Muse Spark’ta önce hesap ayarlarından yaşınızı doğrulamanız gerekir; doğrulama olmadan OpenRouter 403 hatası döndürüyor. Hizmetlerin Türkiye’deki kullanılabilirliği için sağlayıcıları kontrol edin.

Sık sorulan sorular

Bu modellerden hangisi Lehçe yazmada en iyi?

Lehçe testimde Qwen3.8 Max 100 üzerinden 76,4 puanla ilk sırada; Muse Spark 1.3 ise 75,5 puanla hemen arkasında. Eşit token sınırlarında Qwen 68,2 puana düşüyor ve Muse Spark ile MiMo-V2.6-Pro’nun (69,1) gerisinde kalıyor. Üçü de 81,5 puan alan GPT-6 Luna’nın altında; GPT-6 Luna’nın maliyeti diğerlerinin çok küçük bir bölümü.

MiMo-V2.6-Pro Lehçe metinlerde hâlâ takılıyor mu?

Kısa komutlarda nadiren: effort=low ayarında 13 yanıtın 12’sini verdi; yalnızca zor test yanıtı boş kaldı. 900 kelimelik metinde ise hâlâ 9000 token sınırına kadar düşünüyor ve yanıt üretmiyor.

Muse Spark 1.3 Türkiye’de kullanılabiliyor mu?

OpenRouter üzerinden, hesap ayarlarında 18 yaşınızı doğruladıktan sonra kullanılabiliyor. Doğrulama yapmadan önce 403 hatası aldım; doğrulamadan sonra test sorunsuz tamamlandı. Meta, Türkiye’den Meta Model API erişimini resmen doğrulamıyor; Muse uygulaması ise yalnızca ABD’de çalışıyor. Güncel erişim durumunu sağlayıcıdan kontrol edin.

Benchmark sonuçları testimden neden farklı?

Artificial Analysis endeksi; çoğunlukla İngilizce görevlerle, en yüksek akıl yürütme ayarında ajan görevlerini, programlama ve bilgiyi ölçüyor. Benim testim ise effort=low ayarında Lehçe yazma performansını değerlendiriyor. Türkçe performansı hakkında sonuç çıkarmak için bu test yeterli değil.

En ucuz model hangisi?

MiMo-V2.6-Pro: milyon girdi token’ı başına 0,435 USD, milyon çıktı token’ı başına 0,87 USD. Bu modeldeki 13 test görevinin maliyeti 0,03 USD oldu.

// okumaya devamQwen3.6-27B RTX 4090’da: 24 GB’a hangi sürüm sığar?RehberlerYapay zeka nedir? Görev, veri ve çıktı ilişkisiRehberlerYapay zeka araçları: ihtiyaca göre seçim rehberiRehberler