Este modelo está obsoleto. Continuamos medindo o desempenho apenas para a carga padrão de 10 mil tokens de entrada. Os resultados de outras cargas são históricos e não são mais atualizados.

LG AI Research lançou uma versão mais recente, K-EXAONE 2.0 0803. Sugerimos considerá-la como alternativa.

LG AI Research

•

K-EXAONE

•

Open weights model

•

Released dezembro de 2025

Análise de inteligência, desempenho e preço do K-EXAONE (Reasoning)

Name: Inteligência
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Experimente Benchmarks de provedores de API

InteligênciaUpdated

14*

Artificial Analysis Intelligence Index

* Estimado

Velocidade

N/D

Tokens de saída por segundo

Custo

Entrada -Saída -

N/D

Custo por tarefa do Intelligence Index

Verbosidade

N/D

Tokens de saída do Intelligence Index

K-EXAONE (Reasoning) está abaixo da média em inteligência, mas tem preço competitivo em comparação com outros modelos de pesos abertos de tamanho semelhante. O modelo aceita entrada em texto, gera saída em texto e tem uma janela de contexto de 256k tokens, com conhecimento até dezembro de 2024.

K-EXAONE (Reasoning) alcança 14 pontos no Artificial Analysis Intelligence Index, ficando abaixo da média entre os modelos comparáveis (mediana: 18).

Raciocínio	Sim Esta página mostra a versão com raciocínio deste modelo. Também pode existir uma variante sem raciocínio.
Modalidade de entrada	Compatível com: texto
Modalidade de saída	Compatível com: texto
Data-limite do conhecimento	1 de dez. de 2024
Janela de contexto	256k ~384 páginas A4 em fonte Arial tamanho 12
Parâmetros totais	236B
Parâmetros ativos	23B Número de parâmetros ativos por token durante a inferência
Licença	K Exaone
Pesos do modelo	Hugging Face

As métricas são comparadas com modelos da mesma classe:

Modelos sem raciocínio → comparados apenas com outros modelos sem raciocínio
Modelos de raciocínio → comparados com modelos com e sem raciocínio
Modelos de pesos abertos → comparados apenas com outros modelos de pesos abertos da mesma classe de tamanho:

Muito pequeno: ≤4B parâmetros
Pequeno: 4B–40B parâmetros
Médio: 40B–150B parâmetros
Grande: >150B parâmetros

Modelos proprietários → comparados com modelos proprietários e de pesos abertos da mesma faixa de preço, usando uma proporção combinada de 3:1 entre os preços de entrada e saída:

<$0.15 por 1M de tokens
$0.15–$1 por 1M de tokens
>$1 por 1M de tokens

Updated

Inteligência

Artificial Analysis Intelligence Index · Higher is better

Not publicly available

Velocidade

Output tokens per second · Higher is better

Custo por tarefa

Weighted average cost (USD) per Intelligence Index task · Lower is better

Not publicly available

InteligênciaUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 incorporates 10 evaluations: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1

Not publicly available

Estimate (independent evaluation forthcoming)

Artificial Analysis Intelligence Index v4.3.2 includes: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index: pesos abertos vs. proprietários

Not publicly available

Estimate (independent evaluation forthcoming)

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if commercial use is limited by conditions, and as 'Non-commercial' if the license prohibits commercial use.

Avaliações

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

Ver mais

Not publicly available

AA-Briefcase v1.1Updated

Agentic knowledge work, (Elo-500)/2000

GDPval-AA v2.1Updated

Agentic real-world work tasks, (Elo-500)/2000

AutomationBench-AA

Agentic SaaS workflows

Terminal-Bench 4.0

Agentic coding & terminal use

SciCodeUnder review

Coding

Humanity's Last Exam

Reasoning & knowledge

GDP.pdf

Professional document reasoning, All-pass

CritPtUnder review

Physics reasoning

AA-Omniscience Accuracy

Knowledge

AA-Omniscience Non-Hallucination Rate

1 - hallucination rate

AA-LCR v1.1

Long context reasoning

Harvey LAB-AA

Legal agentic work, criterion pass rate

EnterpriseOps-Gym-AA

Agentic business operations

Terminal-Bench-Science 0.1New

Agentic scientific research workflows in a terminal

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

ITBench-AA

Kubernetes incident root-cause analysis

MMMU-Pro

Visual reasoning

MLCR-AA

Medical long context reasoning

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

Not publicly available

Openness Index

Artificial Analysis Openness Index: pontuação

O Openness Index avalia a abertura dos modelos em uma escala normalizada de 0 a 100 (quanto maior, mais aberto)

Comparações do Intelligence Index

Intelligence Index vs. custo por tarefa do Intelligence Index

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Custo

Custo por tarefa do Intelligence Index

Weighted average cost (USD) per Artificial Analysis Intelligence Index task, segmented by token type. Lower is better

Not publicly available

Custo de executar o Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

Not publicly available

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Preços: acertos de cache, entrada e saída

Price (USD per M Tokens)

Not publicly available

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Janela de contexto

Context window: tokens limit · Higher is better

Not publicly available

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Tamanho do modelo (somente modelos de pesos abertos)

Tamanho do modelo: parâmetros totais e ativos

Comparison between total model parameters and parameters active during inference (billions)

The total number of trainable weights and biases in the model, expressed in billions. These parameters are learned during training and determine the model's ability to process and generate responses.

The number of parameters actually executed during each inference forward pass, expressed in billions. For Mixture of Experts (MoE) models, a routing mechanism selects a subset of experts per token, resulting in fewer active than total parameters. Dense models use all parameters, so active equals total.

Perguntas frequentes

Perguntas comuns sobre o K-EXAONE (Reasoning)

O K-EXAONE (Reasoning) foi lançado em 31 de dezembro de 2025.

LG AI Research criou o K-EXAONE (Reasoning).

K-EXAONE (Reasoning) alcança 14 pontos (estimativa) no Artificial Analysis Intelligence Index, ficando abaixo da média entre outros modelos de pesos abertos de tamanho semelhante (mediana: 18).

Sim, o K-EXAONE (Reasoning) é um modelo de raciocínio. Ele usa reflexão prolongada ou raciocínio em cadeia para resolver problemas complexos antes de fornecer uma resposta.

K-EXAONE (Reasoning) aceita entrada em texto.

K-EXAONE (Reasoning) permite saída em texto.

Não, o K-EXAONE (Reasoning) não aceita imagens como entrada. Ele só consegue processar texto.

Não, o K-EXAONE (Reasoning) não é multimodal. Ele aceita apenas entrada em texto.

K-EXAONE (Reasoning) tem uma janela de contexto de 260k tokens. Isso determina quanto texto e histórico da conversa o modelo consegue processar em uma única solicitação.

Sim, o K-EXAONE (Reasoning) é um modelo de pesos abertos. Os pesos estão disponíveis publicamente e podem ser baixados para auto-hospedagem.

K-EXAONE (Reasoning) tem 236 bilhões parâmetros (23 bilhões ativos).

K-EXAONE (Reasoning) é um modelo de mistura de especialistas (MoE) com 236 bilhões parâmetros no total, mas apenas 23 bilhões parâmetros ativos são usados durante a inferência.

K-EXAONE (Reasoning) foi lançado sob a licença K Exaone. Essa licença permite o uso comercial. Ver licença

K-EXAONE (Reasoning) alcança 14 pontos no Artificial Analysis Intelligence Index. Esse benchmark composto avalia os modelos em raciocínio, conhecimento, matemática e programação.

A data-limite do conhecimento do K-EXAONE (Reasoning) é dezembro de 2024. Os dados de treinamento do modelo incluem informações até essa data.

K-EXAONE (Reasoning) é um modelo de pesos abertos que pode ser auto-hospedado. Ver provedores

K-EXAONE (Reasoning) é um modelo de pesos abertos que pode ser baixado e auto-hospedado. Comparar provedores

Análise de inteligência, desempenho e preço do K-EXAONE (Reasoning)

Resumo do modelo

InteligênciaUpdated

Velocidade

Custo

Verbosidade

Resumo da comparação

Especificações técnicas

117 modelos nesta classe

Inteligência

Velocidade

Custo por tarefa

InteligênciaUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index: pesos abertos vs. proprietários

Artificial Analysis Intelligence Index

Open Weights

Avaliações

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Openness Index

Artificial Analysis Openness Index: pontuação

Comparações do Intelligence Index

Intelligence Index vs. custo por tarefa do Intelligence Index

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Custo

Custo por tarefa do Intelligence Index

Cost per Intelligence Index Task

Custo de executar o Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Preços: acertos de cache, entrada e saída

Cache Hit

Janela de contexto

Janela de contexto

Context Window for RAG

Context Window

Tamanho do modelo (somente modelos de pesos abertos)

Tamanho do modelo: parâmetros totais e ativos

Total Parameters

Active Parameters at Inference Time

Perguntas frequentes

Quando o K-EXAONE (Reasoning) foi lançado?

Quem criou o K-EXAONE (Reasoning)?

Qual é a inteligência do K-EXAONE (Reasoning)?

O K-EXAONE (Reasoning) é um modelo de raciocínio?

Quais modalidades de entrada o K-EXAONE (Reasoning) aceita?

Quais modalidades de saída o K-EXAONE (Reasoning) aceita?

O K-EXAONE (Reasoning) consegue processar imagens?

O K-EXAONE (Reasoning) é multimodal?

Qual é a janela de contexto do K-EXAONE (Reasoning)?

O K-EXAONE (Reasoning) é de código aberto?

Quantos parâmetros o K-EXAONE (Reasoning) tem?

Quais são os parâmetros ativos do K-EXAONE (Reasoning)?

Qual é a licença do K-EXAONE (Reasoning)?

Qual é o desempenho do K-EXAONE (Reasoning) nos benchmarks?

Qual é a data-limite do conhecimento do K-EXAONE (Reasoning)?

O K-EXAONE (Reasoning) está disponível por API?

Onde posso usar o K-EXAONE (Reasoning)?