Introduzione: il declino delle classifiche tradizionali
Chi deve scegliere un modello linguistico per un prodotto reale, non per semplice curiosità, prima o poi finisce su una classifica. Il problema è che oggi le classifiche più citate raccontano tre storie diverse, e una delle tre è già chiusa. Hugging Face ha ritirato ufficialmente il suo Open LLM Leaderboard il 13 marzo 2025, dopo averlo già sostituito una prima volta nel giugno 2024. Restano in campo due contendenti con filosofie completamente opposte: Arena (ex LMArena, ex Chatbot Arena), che misura le preferenze umane voto dopo voto, e Artificial Analysis, che calcola un indice composito di intelligenza, prezzo e velocità.
Questo confronto mette a fianco i tre sistemi, spiega perché quello di Hugging Face è morto e aiuta chi lavora con l'intelligenza artificiale a capire quale numero guardare prima di firmare un contratto API. Non è un dettaglio da addetti ai lavori: ogni settimana escono nuovi modelli da OpenAI, Anthropic, Google, xAI, DeepSeek, Alibaba e Mistral, e ogni volta qualcuno in azienda chiede "ma è meglio di quello che usiamo adesso?". La risposta cambia a seconda di dove si guarda, e capire perché cambia è più utile che memorizzare il nome del modello primo in classifica questa settimana.
Cos'è una classifica LLM e perché conta per chi sviluppa software
Una classifica LLM (large language model) è un sistema che ordina i modelli linguistici in base a una metrica misurabile: punteggio su benchmark accademici, preferenza espressa da utenti reali, oppure un indice sintetico che combina più fattori. Serve perché nessuna azienda può testare da sola decine di modelli nuovi ogni mese: OpenAI, Anthropic, Google, xAI, DeepSeek, Alibaba (famiglia Qwen) e Mistral rilasciano aggiornamenti con un ritmo che a ottobre 2026 supera ormai una nuova versione rilevante a settimana.
Il punto debole di ogni classifica è la metodologia. Un punteggio alto su un benchmark accademico non garantisce che il modello scriva codice leggibile, risponda in modo utile a un cliente o costi poco per milione di token. Per questo motivo i tre sistemi che analizziamo misurano cose diverse:
- Arena chiede agli umani quale risposta preferiscono
- Artificial Analysis calcola un indice numerico basato su test propri più prezzo e velocità
- Hugging Face (quando era attivo) eseguiva sei benchmark standardizzati su modelli open-weight
Capire questa differenza evita l'errore più comune: scegliere un modello solo perché è primo in una tabella, senza sapere cosa quella tabella sta davvero misurando.
C'è anche un problema pratico che riguarda chi scrive software: molte guide tecniche online, anche recenti, citano ancora i vecchi punteggi dell'Open LLM Leaderboard come se fossero aggiornati. Un team che basa una decisione di procurement su un dato fermo da un anno e mezzo rischia di scegliere un modello già superato da almeno tre generazioni successive. Verificare la data dell'ultimo aggiornamento di una classifica dovrebbe essere il primo passo, prima ancora di guardare il punteggio.
Arena (LMArena): la classifica basata sul voto umano
Origini e evoluzione della piattaforma
Arena nasce il 24 aprile 2023 come Chatbot Arena, progetto di ricerca del laboratorio LMSYS all'Università di Berkeley, fondato da Wei-Lin Chiang, Anastasios Angelopoulos e dal professore Ion Stoica. Nel 2025 il team ha fondato Arena Intelligence Inc., raccogliendo capitali da Andreessen Horowitz e dall'Università della California.
Il meccanismo di votazione e il modello Bradley-Terry
Il meccanismo è semplice da spiegare e complesso da calcolare: un utente scrive un prompt, riceve due risposte da modelli anonimi e vota quella che preferisce. I voti si accumulano in un ranking calcolato oggi con un modello Bradley-Terry, non più con il semplice Elo delle scacchiere, come descritto nel changelog ufficiale della piattaforma. Il passaggio dal bootstrap al calcolo degli intervalli di confidenza tramite il teorema del limite centrale per M-estimatori non è un dettaglio accademico: riduce drasticamente il tempo di calcolo necessario a stabilizzare un ranking ogni volta che arrivano nuovi voti, permettendo aggiornamenti più frequenti.
Aggiustamenti e correzioni metodologiche recenti
Il changelog di Arena racconta gli aggiustamenti più recenti della piattaforma. Il 30 settembre 2025 è stato ricalcolato lo Steerability Score sull'Agent Arena, premiando i modelli che sbagliano meno al primo tentativo invece di quelli che si limitano a correggersi quando vengono ripresi dall'utente. Il 12 maggio 2026 i voti raccolti nella modalità "Direct" (chat dirette, non più solo battaglie alla cieca) hanno iniziato a contare per il ranking pubblico, ampliando il volume di dati giornaliero e includendo prompt più lunghi e complessi rispetto alle brevi domande tipiche delle battaglie casuali.
Arena applica anche filtri tecnici sofisticati per evitare che il voto venga manipolato o distorto. Rimuove circa il 10% dei voti per deduplicazione di prompt ad alta frequenza e rilevamento di identity leak, cioè i casi in cui un modello rivela involontariamente la propria identità nella risposta, influenzando il giudizio dell'utente. Corregge inoltre:
- Il bias di posizione, la tendenza statistica a preferire la risposta mostrata per prima nell'interfaccia
- Il bias organizzativo nelle battaglie che includono contesto conversazionale esteso
- I pattern di voto statisticamente anomali, introdotti come filtro dal 17 settembre 2025
Queste correzioni, documentate pubblicamente nel changelog, sono ciò che distingue Arena da un semplice sondaggio online e la rendono una fonte di dati più affidabile dal punto di vista statistico.
Le categorie di Arena a ottobre 2026
A ottobre 2026 Arena gestisce diverse categorie specifiche di benchmark. Nella Text Arena generalista, la classifica vede in testa GPT-6.1 Sol (Max), seguito da Claude Sonnet 5.5-xhigh e DeepSeek V4.1 Flash.
Nell'Agent Arena, la categoria che misura capacità operative come uso di strumenti ed esecuzione di compiti multi-step, comanda Claude Opus 5.5 (Max), con GPT-6.1 Sol (Max) in seconda posizione.
Nella categoria Code/WebDev il podio ricalca quasi esattamente quello dell'Agent Arena:
- gpt-6-sol-max
- claude-opus-5.5-max
- deepseek-v4.1-flash-max
Arena gestisce anche arene dedicate alla generazione di immagini, dove a ottobre 2026 compaiono in testa:
- grok-imagine-image-2.0
- ideogram-4.5
- recraft-v4.1
L'accesso al sito pubblico resta gratuito, anche se Arena si riserva per contratto la possibilità di introdurre tariffe in futuro per servizi aggiuntivi.
Artificial Analysis: l'indice che unisce intelligenza, prezzo e velocità
Fondatori e storia della piattaforma
Artificial Analysis nasce nel 2023 dall'idea di Micah Hill-Smith, oggi CEO, e George Cameron, oggi Chief Product Officer. Secondo un profilo pubblicato su LinkedIn, i due avrebbero iniziato il progetto in uno scantinato a Sydney mentre Hill-Smith sviluppava un servizio di ricerca legale basato su AI e si scontrava quotidianamente con la mancanza di dati comparabili e aggiornati su modelli diversi. L'azienda, oggi con base a San Francisco, non si limita a riportare i numeri dichiarati dai produttori: esegue test propri su ogni modello che entra nel suo catalogo, misurando capacità, prezzo per milione di token e velocità di risposta osservata direttamente sulle API dei provider.
L'Intelligence Index e la metodologia
Il cuore del sistema è l'Intelligence Index, un punteggio composito derivato da intelligenza, prezzo, performance e velocità. La velocità è misurata sia come token al secondo in output sia come latenza TTFT (time to first token), il tempo che intercorre tra l'invio della richiesta e la prima parola di risposta. Il sistema considera inoltre la dimensione della finestra di contesto e altri parametri tecnici rilevanti per chi deve implementare un modello in produzione.
A ottobre 2026 il modello in testa è Claude Opus 5.5 (max con fallback) di Anthropic, con un punteggio Intelligence Index di 58, calcolato su un catalogo che la stessa pagina descrive come composto da oltre 250 modelli AI monitorati attivamente.
Modelli di accesso e prezzi
L'accesso al sito e alla API gratuita è libero, ma con un limite dichiarato di 100 richieste ogni 24 ore per uso esplorativo e interno. Per chi ha bisogno di integrare questi dati in un prodotto o in un processo di procurement continuo, esistono due livelli superiori:
- Piano Pro: pensato per singoli professionisti o piccole organizzazioni
- Piano Enterprise: rivolto esplicitamente ad aziende con almeno 150 dipendenti
Differenze rispetto ad Arena
A differenza di Arena, Artificial Analysis non si basa sul voto umano ma su benchmark eseguiti direttamente dal team, uniti a dati di prezzo e velocità raccolti osservando le API dei provider in tempo reale, giorno dopo giorno. Questo lo rende più adatto a chi deve prendere decisioni di procurement, cioè capire quale modello costa meno per lo stesso livello di qualità dichiarata, piuttosto che a chi vuole capire quale modello "piace di più" in una conversazione aperta con un utente finale.
Hugging Face Open LLM Leaderboard: la classifica che non c'è più
La storia della chiusura
Qui sta la parte della storia che molte guide online ancora raccontano male. L'Open LLM Leaderboard di Hugging Face non esiste più come classifica aggiornata. La prima versione, la v1, è stata archiviata nel giugno 2024 e sostituita da una v2 basata su sei benchmark automatici.
I sei benchmark della versione v2
La seconda versione dell'Open LLM Leaderboard di Hugging Face era costruita su sei benchmark specifici, ognuno con un focus particolare:
- IFEval: misura la capacità di seguire istruzioni esplicite, come includere una parola chiave o rispettare un formato richiesto
- BBH (Big-Bench Hard): valuta le capacità di ragionamento su compiti difficili
- MATH Level 5: il livello più difficile del benchmark matematico MATH, pensato per valutare la capacità di risolvere problemi matematici complessi
- GPQA: raccoglie quesiti di livello da dottorato di ricerca, pensati per essere difficili anche per i laureati nella materia specifica
- MuSR: valuta il ragionamento multi-step, la capacità di affrontare problemi che richiedono più passaggi logici consecutivi
- MMLU-Pro: versione ampliata e più impegnativa del classico benchmark MMLU, con dieci opzioni di risposta invece di quattro
La documentazione di questa seconda versione si trova ancora nelle pagine ufficiali di Hugging Face, anche se la piattaforma non esegue più aggiornamenti regolari.
Perché è importante che le guide online siano aggiornate
Anche la v2 ha avuto vita breve rispetto alle ambizioni iniziali. Questo rappresenta un insegnamento importante per chi sviluppa software: le classifiche LLM sono strumenti che evolvono costantemente, e basare decisioni critiche su dati obsoleti è un rischio reale nel contesto dello sviluppo di prodotti con AI. Molte guide tecniche pubblicate online nel 2024 e nel 2025 continuano a citare l'Open LLM Leaderboard di Hugging Face come riferimento primario, senza specificare che i dati non sono più aggiornati. Questo crea confusione nei team che non hanno esperienza diretta con questi strumenti e non sanno distinguere tra una classifica attiva e una archiviata.