HCBfT_Games · HCBfT-Games Tanıtım Koşumu

Bölüm 01 Oyun Karneleri her oyunda genel puan ve sıralama HCB-100 ölçeği: havuz ortalaması 100, standart sapma 15

Diplomat

Diplomacy ilhamlı

Stratejik iletişim · ittifak ve ihanet

110,0

En yüksek HCB-100 claude-opus-5

01 claude-opus-5 110,0

02 gpt-5.6-sol 106,6

03 kimi-k3 104,9

04 gpt-5.6-terra 101,5

05 claude-sonnet-5 99,8

06 grok-4.5 99,8

07 glm-5.2 96,4

08 deepseek-v4-flash 94,8

09 gemini-3.6-flash 94,8

10 qwen3.7-max 91,4

50 maç 10 model hücre n 20/20 aralık 91,4–110,0

Tüccar

Catan ilhamlı

Fayda analizi · pazarlık ve takas

109,8

En yüksek HCB-100 claude-opus-5

01 claude-opus-5 109,8

02 gpt-5.6-sol 106,7

03 kimi-k3 103,7

04 gpt-5.6-terra 102,1

05 grok-4.5 100,6

06 claude-sonnet-5 99,1

07 glm-5.2 96,0

08 deepseek-v4-flash 96,0

09 gemini-3.6-flash 96,0

10 qwen3.7-max 89,9

50 maç 10 model hücre n 20/20 aralık 89,9–109,8

Vezir

Avalon İlhamlı

Aldatma · tutarlılık ve çıkarım

110,3

En yüksek HCB-100 claude-opus-5

01 claude-opus-5 110,3

02 gpt-5.6-sol 107,5

03 kimi-k3 104,7

04 gpt-5.6-terra 101,7

05 grok-4.5 100,6

06 claude-sonnet-5 99,3

07 glm-5.2 96,4

08 gemini-3.6-flash 95,1

09 deepseek-v4-flash 94,9

10 qwen3.7-max 89,5

40 maç 10 model hücre n 20/20 aralık 89,5–110,3

Âşık

Ozan Atışması

Yaratıcı Türkçe · ölçü ve uyak

108,4

En yüksek HCB-100 claude-opus-5

01 claude-opus-5 108,4

02 gpt-5.6-sol 104,6

03 kimi-k3 102,7

04 grok-4.5 100,8

05 gpt-5.6-terra 100,8

06 claude-sonnet-5 98,9

07 deepseek-v4-flash 96,9

08 gemini-3.6-flash 96,9

09 glm-5.2 96,9

10 qwen3.7-max 93,1

100 maç 10 model hücre n 20/20 aralık 93,1–108,4

⌐ Büyük sayı, o oyundaki en yüksek HCB-100 puanıdır. Çubuklar modelleri koşumun en düşük ve en yüksek puanı arasında konumlandırır; 100 çizgisi havuz ortalamasıdır. Vezir'de standardizasyon rol sınıfı içinde yapılır (spec §8.2).

Bölüm 02 Genel Sıralama kompozit HCB-100 10 model · %95 bootstrap güven aralığı

01

claude-opus-5 anthropic/claude-opus-5

109,6

GA 106,4–112,7

Diplomat 110,0Tüccar 109,8Vezir 110,3Âşık 108,4

02

gpt-5.6-sol openai/gpt-5.6-sol

106,3

GA 103,5–109,3

Diplomat 106,6Tüccar 106,7Vezir 107,5Âşık 104,6

03

kimi-k3 moonshotai/kimi-k3

104,0

GA 100,9–106,8

Diplomat 104,9Tüccar 103,7Vezir 104,7Âşık 102,7

04

gpt-5.6-terra openai/gpt-5.6-terra

101,5

GA 98,6–104,5

Diplomat 101,5Tüccar 102,1Vezir 101,7Âşık 100,8

05

grok-4.5 x-ai/grok-4.5

100,5

GA 97,7–103,0

Diplomat 99,8Tüccar 100,6Vezir 100,6Âşık 100,8

06

claude-sonnet-5 anthropic/claude-sonnet-5

99,3

GA 96,0–102,5

Diplomat 99,8Tüccar 99,1Vezir 99,3Âşık 98,9

07

glm-5.2 z-ai/glm-5.2

96,5

GA 93,6–99,2

Diplomat 96,4Tüccar 96,0Vezir 96,4Âşık 96,9

08

gemini-3.6-flash google/gemini-3.6-flash

95,7

GA 92,9–98,8

Diplomat 94,8Tüccar 96,0Vezir 95,1Âşık 96,9

09

deepseek-v4-flash deepseek/deepseek-v4-flash

95,6

GA 92,6–99,0

Diplomat 94,8Tüccar 96,0Vezir 94,9Âşık 96,9

10

qwen3.7-max qwen/qwen3.7-max

91,0

GA 88,3–93,8

Diplomat 91,4Tüccar 89,9Vezir 89,5Âşık 93,1

Elo — sağlamlık kontrolü

Oyun	Model	Elo	n	Kazanma oranı
Diplomat	anthropic/claude-opus-5	1.623,1	20	%55,0
Diplomat	moonshotai/kimi-k3	1.581,4	20	%35,0
Diplomat	openai/gpt-5.6-sol	1.569,7	20	%30,0
Diplomat	anthropic/claude-sonnet-5	1.527,2	20	%30,0
Diplomat	x-ai/grok-4.5	1.498,2	20	%15,0
Diplomat	openai/gpt-5.6-terra	1.469,8	20	%15,0
Diplomat	deepseek/deepseek-v4-flash	1.463,5	20	%20,0
Diplomat	google/gemini-3.6-flash	1.437,8	20	%15,0
Diplomat	qwen/qwen3.7-max	1.426,3	20	%10,0
Diplomat	z-ai/glm-5.2	1.403,0	20	%25,0
Tüccar	openai/gpt-5.6-sol	1.632,6	20	%40,0
Tüccar	anthropic/claude-opus-5	1.621,3	20	%35,0
Tüccar	moonshotai/kimi-k3	1.561,2	20	%30,0
Tüccar	x-ai/grok-4.5	1.535,1	20	%20,0
Tüccar	deepseek/deepseek-v4-flash	1.472,9	20	%25,0
Tüccar	openai/gpt-5.6-terra	1.460,2	20	%25,0
Tüccar	z-ai/glm-5.2	1.448,9	20	%25,0
Tüccar	anthropic/claude-sonnet-5	1.446,0	20	%25,0
Tüccar	google/gemini-3.6-flash	1.432,9	20	%15,0
Tüccar	qwen/qwen3.7-max	1.388,8	20	%10,0
Vezir	anthropic/claude-opus-5	1.649,1	20	%70,0
Vezir	openai/gpt-5.6-sol	1.619,0	20	%55,0
Vezir	moonshotai/kimi-k3	1.543,1	20	%40,0
Vezir	x-ai/grok-4.5	1.541,5	20	%45,0
Vezir	openai/gpt-5.6-terra	1.515,4	20	%45,0
Vezir	anthropic/claude-sonnet-5	1.474,7	20	%35,0
Vezir	deepseek/deepseek-v4-flash	1.456,5	20	%40,0
Vezir	z-ai/glm-5.2	1.451,6	20	%20,0
Vezir	google/gemini-3.6-flash	1.436,8	20	%35,0
Vezir	qwen/qwen3.7-max	1.312,3	20	%15,0
Âşık	moonshotai/kimi-k3	1.639,7	20	%70,0
Âşık	openai/gpt-5.6-sol	1.605,2	20	%65,0
Âşık	x-ai/grok-4.5	1.565,6	20	%60,0
Âşık	anthropic/claude-opus-5	1.557,5	20	%55,0
Âşık	openai/gpt-5.6-terra	1.533,6	20	%55,0
Âşık	z-ai/glm-5.2	1.497,3	20	%50,0
Âşık	deepseek/deepseek-v4-flash	1.470,8	20	%45,0
Âşık	qwen/qwen3.7-max	1.408,6	20	%40,0
Âşık	google/gemini-3.6-flash	1.367,4	20	%30,0
Âşık	anthropic/claude-sonnet-5	1.354,4	20	%30,0

z-puanı ve Elo sıralamaları uyuşmuyor: diplomat, tuccar, vezir, asik. Bu uyuşmazlık kendi başına raporlanmaya değerdir (spec §8.2).

Bölüm 03 Diplomat Stratejik iletişim · ittifak ve ihanet 50 maç · asgari hücre n 20 (hedef 20)

Ham puan ve %95 bootstrap güven aralığı

Model	n	Ham ortalama	GA alt	GA üst	Std. hata	z	HCB-100
anthropic/claude-opus-5	20	0,370	0,329	0,411	0,021	0,665	110,0
openai/gpt-5.6-sol	20	0,350	0,310	0,389	0,020	0,440	106,6
moonshotai/kimi-k3	20	0,340	0,307	0,373	0,017	0,327	104,9
openai/gpt-5.6-terra	20	0,320	0,283	0,357	0,019	0,101	101,5
anthropic/claude-sonnet-5	20	0,310	0,267	0,351	0,022	-0,011	99,8
x-ai/grok-4.5	20	0,310	0,280	0,342	0,016	-0,011	99,8
z-ai/glm-5.2	20	0,290	0,254	0,325	0,018	-0,237	96,4
deepseek/deepseek-v4-flash	20	0,280	0,247	0,314	0,017	-0,350	94,8
google/gemini-3.6-flash	20	0,280	0,245	0,316	0,018	-0,350	94,8
qwen/qwen3.7-max	20	0,260	0,231	0,289	0,015	-0,575	91,4

Koltuk bazında ortalama — denge denetimi

Model	Koltuk	n	Ham ortalama
anthropic/claude-opus-5	0	5	0,421
anthropic/claude-opus-5	1	5	0,299
anthropic/claude-opus-5	2	5	0,384
anthropic/claude-opus-5	3	5	0,377
anthropic/claude-sonnet-5	0	5	0,363
anthropic/claude-sonnet-5	1	5	0,356
anthropic/claude-sonnet-5	2	5	0,300
anthropic/claude-sonnet-5	3	5	0,220
deepseek/deepseek-v4-flash	0	5	0,280
deepseek/deepseek-v4-flash	1	5	0,320
deepseek/deepseek-v4-flash	2	5	0,322
deepseek/deepseek-v4-flash	3	5	0,198
google/gemini-3.6-flash	0	5	0,324
google/gemini-3.6-flash	1	5	0,252
google/gemini-3.6-flash	2	5	0,270
google/gemini-3.6-flash	3	5	0,273
moonshotai/kimi-k3	0	5	0,318
moonshotai/kimi-k3	1	5	0,335
moonshotai/kimi-k3	2	5	0,343
moonshotai/kimi-k3	3	5	0,364
openai/gpt-5.6-sol	0	5	0,358
openai/gpt-5.6-sol	1	5	0,359
openai/gpt-5.6-sol	2	5	0,360
openai/gpt-5.6-sol	3	5	0,324
openai/gpt-5.6-terra	0	5	0,315
openai/gpt-5.6-terra	1	5	0,369
openai/gpt-5.6-terra	2	5	0,304
openai/gpt-5.6-terra	3	5	0,293
qwen/qwen3.7-max	0	5	0,286
qwen/qwen3.7-max	1	5	0,257
qwen/qwen3.7-max	2	5	0,217
qwen/qwen3.7-max	3	5	0,280
x-ai/grok-4.5	0	5	0,343
x-ai/grok-4.5	1	5	0,322
x-ai/grok-4.5	2	5	0,286
x-ai/grok-4.5	3	5	0,289
z-ai/glm-5.2	0	5	0,329
z-ai/glm-5.2	1	5	0,321
z-ai/glm-5.2	2	5	0,243
z-ai/glm-5.2	3	5	0,267

İkincil metrikler — model ortalaması

Model	Merkez	Birim	Mesaj sayısı	Duyuru sayısı	Hamle sayısı	Destek sayısı	Hamle başarı oranı	Elendi	Söz verdi	Söz tutma oranı	İhanet oranı
anthropic/claude-opus-5	5,550	5,300	8	2	12	5	%72,8	0,000	4,600	%82,3	%18,9
anthropic/claude-sonnet-5	5,100	4,750	8	3	13	4	%50,7	0,050	4,950	%55,7	%44,5
deepseek/deepseek-v4-flash	5,050	4,600	8	3	12	4	%42,5	0,000	4,650	%39,1	%60,5
google/gemini-3.6-flash	5,050	4,850	8	2	13	5	%43,4	0,000	4,350	%41,6	%59,3
moonshotai/kimi-k3	5,450	4,900	8	2	12	4	%65,1	0,000	4,500	%70,6	%29,9
openai/gpt-5.6-sol	5,200	5,200	8	2	12	4	%66,8	0,000	4,700	%77,2	%21,9
openai/gpt-5.6-terra	5,350	5,100	8	3	13	4	%58,9	0,000	4,550	%60,3	%40,3
qwen/qwen3.7-max	4,950	4,500	8	3	13	4	%34,6	0,000	4,400	%29,6	%71,0
x-ai/grok-4.5	5,150	5,000	8	2	12	5	%53,9	0,000	4,150	%52,8	%47,4
z-ai/glm-5.2	5,000	4,700	9	3	12	4	%43,9	0,000	4,950	%42,4	%57,8

İkili anlamlılık matrisi — permütasyon testi, Holm–Bonferroni

Model A	Model B	n (A)	n (B)	Fark	p	p (Holm)	Yeterli n	Anlamlılık
anthropic/claude-opus-5	anthropic/claude-sonnet-5	20	20	0,060	0,058	1,000	✓	—
anthropic/claude-opus-5	deepseek/deepseek-v4-flash	20	20	0,090	0,003	0,118	✓	—
anthropic/claude-opus-5	google/gemini-3.6-flash	20	20	0,090	0,003	0,123	✓	—
anthropic/claude-opus-5	moonshotai/kimi-k3	20	20	0,030	0,290	1,000	✓	—
anthropic/claude-opus-5	openai/gpt-5.6-sol	20	20	0,020	0,507	1,000	✓	—
anthropic/claude-opus-5	openai/gpt-5.6-terra	20	20	0,050	0,090	1,000	✓	—
anthropic/claude-opus-5	qwen/qwen3.7-max	20	20	0,110	0,001	0,027	✓	*
anthropic/claude-opus-5	x-ai/grok-4.5	20	20	0,060	0,035	1,000	✓	—
anthropic/claude-opus-5	z-ai/glm-5.2	20	20	0,080	0,006	0,224	✓	—
anthropic/claude-sonnet-5	deepseek/deepseek-v4-flash	20	20	0,030	0,298	1,000	✓	—
anthropic/claude-sonnet-5	google/gemini-3.6-flash	20	20	0,030	0,309	1,000	✓	—
anthropic/claude-sonnet-5	moonshotai/kimi-k3	20	20	-0,030	0,297	1,000	✓	—
anthropic/claude-sonnet-5	openai/gpt-5.6-sol	20	20	-0,040	0,198	1,000	✓	—
anthropic/claude-sonnet-5	openai/gpt-5.6-terra	20	20	-0,010	0,733	1,000	✓	—
anthropic/claude-sonnet-5	qwen/qwen3.7-max	20	20	0,050	0,078	1,000	✓	—
anthropic/claude-sonnet-5	x-ai/grok-4.5	20	20	0,000	1,000	1,000	✓	—
anthropic/claude-sonnet-5	z-ai/glm-5.2	20	20	0,020	0,498	1,000	✓	—
deepseek/deepseek-v4-flash	google/gemini-3.6-flash	20	20	0,000	1,000	1,000	✓	—
deepseek/deepseek-v4-flash	moonshotai/kimi-k3	20	20	-0,060	0,022	0,829	✓	—
deepseek/deepseek-v4-flash	openai/gpt-5.6-sol	20	20	-0,070	0,015	0,577	✓	—
deepseek/deepseek-v4-flash	openai/gpt-5.6-terra	20	20	-0,040	0,134	1,000	✓	—
deepseek/deepseek-v4-flash	qwen/qwen3.7-max	20	20	0,020	0,395	1,000	✓	—
deepseek/deepseek-v4-flash	x-ai/grok-4.5	20	20	-0,030	0,208	1,000	✓	—
deepseek/deepseek-v4-flash	z-ai/glm-5.2	20	20	-0,010	0,689	1,000	✓	—
google/gemini-3.6-flash	moonshotai/kimi-k3	20	20	-0,060	0,026	0,896	✓	—
google/gemini-3.6-flash	openai/gpt-5.6-sol	20	20	-0,070	0,017	0,638	✓	—
google/gemini-3.6-flash	openai/gpt-5.6-terra	20	20	-0,040	0,141	1,000	✓	—
google/gemini-3.6-flash	qwen/qwen3.7-max	20	20	0,020	0,417	1,000	✓	—
google/gemini-3.6-flash	x-ai/grok-4.5	20	20	-0,030	0,229	1,000	✓	—
google/gemini-3.6-flash	z-ai/glm-5.2	20	20	-0,010	0,699	1,000	✓	—
moonshotai/kimi-k3	openai/gpt-5.6-sol	20	20	-0,010	0,715	1,000	✓	—
moonshotai/kimi-k3	openai/gpt-5.6-terra	20	20	0,020	0,445	1,000	✓	—
moonshotai/kimi-k3	qwen/qwen3.7-max	20	20	0,080	0,002	0,069	✓	—
moonshotai/kimi-k3	x-ai/grok-4.5	20	20	0,030	0,217	1,000	✓	—
moonshotai/kimi-k3	z-ai/glm-5.2	20	20	0,050	0,055	1,000	✓	—
openai/gpt-5.6-sol	openai/gpt-5.6-terra	20	20	0,030	0,295	1,000	✓	—
openai/gpt-5.6-sol	qwen/qwen3.7-max	20	20	0,090	0,001	0,062	✓	—
openai/gpt-5.6-sol	x-ai/grok-4.5	20	20	0,040	0,141	1,000	✓	—
openai/gpt-5.6-sol	z-ai/glm-5.2	20	20	0,060	0,034	1,000	✓	—
openai/gpt-5.6-terra	qwen/qwen3.7-max	20	20	0,060	0,022	0,829	✓	—
openai/gpt-5.6-terra	x-ai/grok-4.5	20	20	0,010	0,699	1,000	✓	—
openai/gpt-5.6-terra	z-ai/glm-5.2	20	20	0,030	0,258	1,000	✓	—
qwen/qwen3.7-max	x-ai/grok-4.5	20	20	-0,050	0,031	1,000	✓	—
qwen/qwen3.7-max	z-ai/glm-5.2	20	20	-0,030	0,212	1,000	✓	—
x-ai/grok-4.5	z-ai/glm-5.2	20	20	0,020	0,415	1,000	✓	—

⌐ Yıldızlar: *** p<0,001 · ** p<0,01 · * p<0,05 · — anlamsız. Hücre n hedefin altındaysa yıldız basılmaz.

Bölüm 04 Tüccar Fayda analizi · pazarlık ve takas 50 maç · asgari hücre n 20 (hedef 20)

Ham puan ve %95 bootstrap güven aralığı

Model	n	Ham ortalama	GA alt	GA üst	Std. hata	z	HCB-100
anthropic/claude-opus-5	20	0,410	0,373	0,446	0,019	0,652	109,8
openai/gpt-5.6-sol	20	0,390	0,352	0,429	0,020	0,448	106,7
moonshotai/kimi-k3	20	0,370	0,334	0,407	0,019	0,245	103,7
openai/gpt-5.6-terra	20	0,360	0,318	0,402	0,021	0,143	102,1
x-ai/grok-4.5	20	0,350	0,315	0,386	0,018	0,041	100,6
anthropic/claude-sonnet-5	20	0,340	0,298	0,384	0,022	-0,061	99,1
z-ai/glm-5.2	20	0,320	0,281	0,359	0,020	-0,265	96,0
deepseek/deepseek-v4-flash	20	0,320	0,278	0,364	0,022	-0,265	96,0
google/gemini-3.6-flash	20	0,320	0,273	0,366	0,024	-0,265	96,0
qwen/qwen3.7-max	20	0,280	0,244	0,317	0,018	-0,672	89,9

Koltuk bazında ortalama — denge denetimi

Model	Koltuk	n	Ham ortalama
anthropic/claude-opus-5	0	5	0,442
anthropic/claude-opus-5	1	5	0,392
anthropic/claude-opus-5	2	5	0,407
anthropic/claude-opus-5	3	5	0,398
anthropic/claude-sonnet-5	0	5	0,379
anthropic/claude-sonnet-5	1	5	0,329
anthropic/claude-sonnet-5	2	5	0,315
anthropic/claude-sonnet-5	3	5	0,338
deepseek/deepseek-v4-flash	0	5	0,306
deepseek/deepseek-v4-flash	1	5	0,307
deepseek/deepseek-v4-flash	2	5	0,321
deepseek/deepseek-v4-flash	3	5	0,346
google/gemini-3.6-flash	0	5	0,396
google/gemini-3.6-flash	1	5	0,323
google/gemini-3.6-flash	2	5	0,285
google/gemini-3.6-flash	3	5	0,276
moonshotai/kimi-k3	0	5	0,336
moonshotai/kimi-k3	1	5	0,396
moonshotai/kimi-k3	2	5	0,401
moonshotai/kimi-k3	3	5	0,347
openai/gpt-5.6-sol	0	5	0,419
openai/gpt-5.6-sol	1	5	0,428
openai/gpt-5.6-sol	2	5	0,357
openai/gpt-5.6-sol	3	5	0,356
openai/gpt-5.6-terra	0	5	0,408
openai/gpt-5.6-terra	1	5	0,288
openai/gpt-5.6-terra	2	5	0,371
openai/gpt-5.6-terra	3	5	0,373
qwen/qwen3.7-max	0	5	0,317
qwen/qwen3.7-max	1	5	0,248
qwen/qwen3.7-max	2	5	0,244
qwen/qwen3.7-max	3	5	0,311
x-ai/grok-4.5	0	5	0,351
x-ai/grok-4.5	1	5	0,326
x-ai/grok-4.5	2	5	0,372
x-ai/grok-4.5	3	5	0,351
z-ai/glm-5.2	0	5	0,318
z-ai/glm-5.2	1	5	0,368
z-ai/glm-5.2	2	5	0,332
z-ai/glm-5.2	3	5	0,262

İkincil metrikler — model ortalaması

Model	Zafer puanı	Teklif sundu	Teklifi kabul edildi	Teklif kabul oranı	Kabul ettiği teklif	Takas artığı	Banka takası	Banka bağımlılığı	Üretilen kaynak	En uzun yol
anthropic/claude-opus-5	5,950	10,000	5,800	%58,2	3,800	1,769	0,550	0,061	15,400	3,350
anthropic/claude-sonnet-5	5,450	10,900	3,850	%35,6	3,600	0,635	1,600	0,177	16,450	2,200
deepseek/deepseek-v4-flash	5,200	10,050	2,650	%26,3	3,200	0,301	2,500	0,278	16,500	1,900
google/gemini-3.6-flash	5,400	10,550	3,050	%29,4	3,150	0,301	2,100	0,246	16,650	2,050
moonshotai/kimi-k3	5,750	9,900	4,750	%47,8	3,350	1,160	1,400	0,144	16,650	2,950
openai/gpt-5.6-sol	6,000	11,450	6,100	%53,0	4,100	1,426	0,700	0,065	15,350	3,250
openai/gpt-5.6-terra	5,500	9,850	4,100	%42,1	3,250	0,932	1,500	0,177	15,250	2,650
qwen/qwen3.7-max	4,950	10,050	1,550	%15,5	3,000	-0,376	2,250	0,312	15,600	1,650
x-ai/grok-4.5	5,400	10,000	3,650	%36,6	3,500	0,822	1,600	0,178	15,550	2,800
z-ai/glm-5.2	5,250	11,000	3,100	%28,3	3,100	0,345	2,100	0,258	12,550	2,050

İkili anlamlılık matrisi — permütasyon testi, Holm–Bonferroni

Model A	Model B	n (A)	n (B)	Fark	p	p (Holm)	Yeterli n	Anlamlılık
anthropic/claude-opus-5	anthropic/claude-sonnet-5	20	20	0,070	0,024	0,833	✓	—
anthropic/claude-opus-5	deepseek/deepseek-v4-flash	20	20	0,090	0,005	0,197	✓	—
anthropic/claude-opus-5	google/gemini-3.6-flash	20	20	0,090	0,005	0,216	✓	—
anthropic/claude-opus-5	moonshotai/kimi-k3	20	20	0,040	0,144	1,000	✓	—
anthropic/claude-opus-5	openai/gpt-5.6-sol	20	20	0,020	0,487	1,000	✓	—
anthropic/claude-opus-5	openai/gpt-5.6-terra	20	20	0,050	0,091	1,000	✓	—
anthropic/claude-opus-5	qwen/qwen3.7-max	20	20	0,130	0,000	0,009	✓	**
anthropic/claude-opus-5	x-ai/grok-4.5	20	20	0,060	0,031	1,000	✓	—
anthropic/claude-opus-5	z-ai/glm-5.2	20	20	0,090	0,003	0,126	✓	—
anthropic/claude-sonnet-5	deepseek/deepseek-v4-flash	20	20	0,020	0,532	1,000	✓	—
anthropic/claude-sonnet-5	google/gemini-3.6-flash	20	20	0,020	0,552	1,000	✓	—
anthropic/claude-sonnet-5	moonshotai/kimi-k3	20	20	-0,030	0,326	1,000	✓	—
anthropic/claude-sonnet-5	openai/gpt-5.6-sol	20	20	-0,050	0,108	1,000	✓	—
anthropic/claude-sonnet-5	openai/gpt-5.6-terra	20	20	-0,020	0,531	1,000	✓	—
anthropic/claude-sonnet-5	qwen/qwen3.7-max	20	20	0,060	0,048	1,000	✓	—
anthropic/claude-sonnet-5	x-ai/grok-4.5	20	20	-0,010	0,751	1,000	✓	—
anthropic/claude-sonnet-5	z-ai/glm-5.2	20	20	0,020	0,516	1,000	✓	—
deepseek/deepseek-v4-flash	google/gemini-3.6-flash	20	20	0,000	1,000	1,000	✓	—
deepseek/deepseek-v4-flash	moonshotai/kimi-k3	20	20	-0,050	0,107	1,000	✓	—
deepseek/deepseek-v4-flash	openai/gpt-5.6-sol	20	20	-0,070	0,023	0,828	✓	—
deepseek/deepseek-v4-flash	openai/gpt-5.6-terra	20	20	-0,040	0,201	1,000	✓	—
deepseek/deepseek-v4-flash	qwen/qwen3.7-max	20	20	0,040	0,181	1,000	✓	—
deepseek/deepseek-v4-flash	x-ai/grok-4.5	20	20	-0,030	0,305	1,000	✓	—
deepseek/deepseek-v4-flash	z-ai/glm-5.2	20	20	-0,000	1,000	1,000	✓	—
google/gemini-3.6-flash	moonshotai/kimi-k3	20	20	-0,050	0,119	1,000	✓	—
google/gemini-3.6-flash	openai/gpt-5.6-sol	20	20	-0,070	0,032	1,000	✓	—
google/gemini-3.6-flash	openai/gpt-5.6-terra	20	20	-0,040	0,236	1,000	✓	—
google/gemini-3.6-flash	qwen/qwen3.7-max	20	20	0,040	0,200	1,000	✓	—
google/gemini-3.6-flash	x-ai/grok-4.5	20	20	-0,030	0,342	1,000	✓	—
google/gemini-3.6-flash	z-ai/glm-5.2	20	20	-0,000	1,000	1,000	✓	—
moonshotai/kimi-k3	openai/gpt-5.6-sol	20	20	-0,020	0,472	1,000	✓	—
moonshotai/kimi-k3	openai/gpt-5.6-terra	20	20	0,010	0,727	1,000	✓	—
moonshotai/kimi-k3	qwen/qwen3.7-max	20	20	0,090	0,002	0,086	✓	—
moonshotai/kimi-k3	x-ai/grok-4.5	20	20	0,020	0,438	1,000	✓	—
moonshotai/kimi-k3	z-ai/glm-5.2	20	20	0,050	0,085	1,000	✓	—
openai/gpt-5.6-sol	openai/gpt-5.6-terra	20	20	0,030	0,304	1,000	✓	—
openai/gpt-5.6-sol	qwen/qwen3.7-max	20	20	0,110	0,001	0,026	✓	*
openai/gpt-5.6-sol	x-ai/grok-4.5	20	20	0,040	0,149	1,000	✓	—
openai/gpt-5.6-sol	z-ai/glm-5.2	20	20	0,070	0,020	0,740	✓	—
openai/gpt-5.6-terra	qwen/qwen3.7-max	20	20	0,080	0,008	0,328	✓	—
openai/gpt-5.6-terra	x-ai/grok-4.5	20	20	0,010	0,736	1,000	✓	—
openai/gpt-5.6-terra	z-ai/glm-5.2	20	20	0,040	0,198	1,000	✓	—
qwen/qwen3.7-max	x-ai/grok-4.5	20	20	-0,070	0,012	0,456	✓	—
qwen/qwen3.7-max	z-ai/glm-5.2	20	20	-0,040	0,153	1,000	✓	—
x-ai/grok-4.5	z-ai/glm-5.2	20	20	0,030	0,289	1,000	✓	—

⌐ Yıldızlar: *** p<0,001 · ** p<0,01 · * p<0,05 · — anlamsız. Hücre n hedefin altındaysa yıldız basılmaz.

Bölüm 05 Vezir Aldatma · tutarlılık ve çıkarım 40 maç · asgari hücre n 20 (hedef 20)

Ham puan ve %95 bootstrap güven aralığı

Model	n	Ham ortalama	GA alt	GA üst	Std. hata	z	HCB-100
anthropic/claude-opus-5	20	0,500	0,453	0,545	0,023	0,688	110,3
openai/gpt-5.6-sol	20	0,480	0,435	0,521	0,022	0,499	107,5
moonshotai/kimi-k3	20	0,460	0,412	0,508	0,025	0,313	104,7
openai/gpt-5.6-terra	20	0,440	0,394	0,484	0,023	0,115	101,7
x-ai/grok-4.5	20	0,430	0,390	0,471	0,021	0,041	100,6
anthropic/claude-sonnet-5	20	0,420	0,373	0,470	0,025	-0,048	99,3
z-ai/glm-5.2	20	0,400	0,369	0,430	0,016	-0,240	96,4
google/gemini-3.6-flash	20	0,390	0,351	0,428	0,020	-0,326	95,1
deepseek/deepseek-v4-flash	20	0,390	0,336	0,441	0,027	-0,343	94,9
qwen/qwen3.7-max	20	0,350	0,304	0,393	0,023	-0,699	89,5

Koltuk bazında ortalama — denge denetimi

Model	Koltuk	n	Ham ortalama
anthropic/claude-opus-5	0	4	0,442
anthropic/claude-opus-5	1	4	0,492
anthropic/claude-opus-5	2	4	0,556
anthropic/claude-opus-5	3	4	0,534
anthropic/claude-opus-5	4	4	0,476
anthropic/claude-sonnet-5	0	4	0,453
anthropic/claude-sonnet-5	1	4	0,476
anthropic/claude-sonnet-5	2	4	0,367
anthropic/claude-sonnet-5	3	4	0,408
anthropic/claude-sonnet-5	4	4	0,397
deepseek/deepseek-v4-flash	0	4	0,383
deepseek/deepseek-v4-flash	1	4	0,358
deepseek/deepseek-v4-flash	2	4	0,488
deepseek/deepseek-v4-flash	3	4	0,396
deepseek/deepseek-v4-flash	4	4	0,325
google/gemini-3.6-flash	0	4	0,461
google/gemini-3.6-flash	1	4	0,317
google/gemini-3.6-flash	2	4	0,428
google/gemini-3.6-flash	3	4	0,353
google/gemini-3.6-flash	4	4	0,392
moonshotai/kimi-k3	0	4	0,587
moonshotai/kimi-k3	1	4	0,455
moonshotai/kimi-k3	2	4	0,396
moonshotai/kimi-k3	3	4	0,455
moonshotai/kimi-k3	4	4	0,408
openai/gpt-5.6-sol	0	4	0,538
openai/gpt-5.6-sol	1	4	0,443
openai/gpt-5.6-sol	2	4	0,434
openai/gpt-5.6-sol	3	4	0,450
openai/gpt-5.6-sol	4	4	0,535
openai/gpt-5.6-terra	0	4	0,404
openai/gpt-5.6-terra	1	4	0,449
openai/gpt-5.6-terra	2	4	0,506
openai/gpt-5.6-terra	3	4	0,374
openai/gpt-5.6-terra	4	4	0,467
qwen/qwen3.7-max	0	4	0,349
qwen/qwen3.7-max	1	4	0,313
qwen/qwen3.7-max	2	4	0,373
qwen/qwen3.7-max	3	4	0,365
qwen/qwen3.7-max	4	4	0,349
x-ai/grok-4.5	0	4	0,459
x-ai/grok-4.5	1	4	0,497
x-ai/grok-4.5	2	4	0,476
x-ai/grok-4.5	3	4	0,372
x-ai/grok-4.5	4	4	0,346
z-ai/glm-5.2	0	4	0,387
z-ai/glm-5.2	1	4	0,370
z-ai/glm-5.2	2	4	0,432
z-ai/glm-5.2	3	4	0,389
z-ai/glm-5.2	4	4	0,421

Rol sınıfı bazında ortalama ve rol-içi z

Model	Rol sınıfı	n	Ham ortalama	z	HCB-100
anthropic/claude-opus-5	bilge	4	0,527	0,819	112,3
anthropic/claude-opus-5	iyi-sade	8	0,453	0,410	106,2
anthropic/claude-opus-5	kotu-sade	4	0,512	0,992	114,9
anthropic/claude-opus-5	suikastci	4	0,554	0,806	112,1
anthropic/claude-sonnet-5	bilge	4	0,330	-0,812	87,8
anthropic/claude-sonnet-5	iyi-sade	8	0,436	0,248	103,7
anthropic/claude-sonnet-5	kotu-sade	4	0,344	-0,723	89,2
anthropic/claude-sonnet-5	suikastci	4	0,553	0,800	112,0
deepseek/deepseek-v4-flash	bilge	4	0,428	-0,001	100,0
deepseek/deepseek-v4-flash	iyi-sade	8	0,407	-0,032	99,5
deepseek/deepseek-v4-flash	kotu-sade	4	0,349	-0,675	89,9
deepseek/deepseek-v4-flash	suikastci	4	0,359	-0,975	85,4
google/gemini-3.6-flash	bilge	4	0,347	-0,672	89,9
google/gemini-3.6-flash	iyi-sade	8	0,373	-0,366	94,5
google/gemini-3.6-flash	kotu-sade	4	0,397	-0,182	97,3
google/gemini-3.6-flash	suikastci	4	0,461	-0,045	99,3
moonshotai/kimi-k3	bilge	4	0,444	0,132	102,0
moonshotai/kimi-k3	iyi-sade	8	0,415	0,045	100,7
moonshotai/kimi-k3	kotu-sade	4	0,438	0,237	103,6
moonshotai/kimi-k3	suikastci	4	0,587	1,106	116,6
openai/gpt-5.6-sol	bilge	4	0,538	0,907	113,6
openai/gpt-5.6-sol	iyi-sade	8	0,458	0,454	106,8
openai/gpt-5.6-sol	kotu-sade	4	0,487	0,730	110,9
openai/gpt-5.6-sol	suikastci	4	0,460	-0,051	99,2
openai/gpt-5.6-terra	bilge	4	0,521	0,767	111,5
openai/gpt-5.6-terra	iyi-sade	8	0,385	-0,251	96,2
openai/gpt-5.6-terra	kotu-sade	4	0,456	0,418	106,3
openai/gpt-5.6-terra	suikastci	4	0,454	-0,109	98,4
qwen/qwen3.7-max	bilge	4	0,297	-1,080	83,8
qwen/qwen3.7-max	iyi-sade	8	0,342	-0,660	90,1
qwen/qwen3.7-max	kotu-sade	4	0,349	-0,670	89,9
qwen/qwen3.7-max	suikastci	4	0,419	-0,425	93,6
x-ai/grok-4.5	bilge	4	0,461	0,277	104,2
x-ai/grok-4.5	iyi-sade	8	0,414	0,032	100,5
x-ai/grok-4.5	kotu-sade	4	0,459	0,452	106,8
x-ai/grok-4.5	suikastci	4	0,401	-0,587	91,2
z-ai/glm-5.2	bilge	4	0,387	-0,337	94,9
z-ai/glm-5.2	iyi-sade	8	0,423	0,119	101,8
z-ai/glm-5.2	kotu-sade	4	0,358	-0,579	91,3
z-ai/glm-5.2	suikastci	4	0,409	-0,520	92,2

İkincil metrikler — model ortalaması

Model	Oy sayısı	Önerdiği takım	Oy isabeti	Bilge sızıntısı	Aldatma başarısı	Başarısız kart	Suikast isabeti
anthropic/claude-opus-5	9	1,950	0,841	0,250	0,762	0,875	0,500
anthropic/claude-sonnet-5	9	1,600	0,571	0,250	0,526	1,750	1,000
deepseek/deepseek-v4-flash	9	1,400	0,485	0,750	0,434	1,750	0,250
google/gemini-3.6-flash	9	1,300	0,485	0,250	0,452	1,375	0,500
moonshotai/kimi-k3	9	1,800	0,709	0,250	0,654	1,250	0,750
openai/gpt-5.6-sol	9	1,300	0,775	0,250	0,728	1,500	0,500
openai/gpt-5.6-terra	9	1,600	0,651	0,500	0,537	1,625	0,750
qwen/qwen3.7-max	9	1,300	0,333	0,500	0,253	0,750	0,500
x-ai/grok-4.5	9	1,150	0,649	0,000	0,530	1,125	0,750
z-ai/glm-5.2	10	1,450	0,500	0,500	0,486	1,250	0,500

İkili anlamlılık matrisi — permütasyon testi, Holm–Bonferroni

Model A	Model B	n (A)	n (B)	Fark	p	p (Holm)	Yeterli n	Anlamlılık
anthropic/claude-opus-5	anthropic/claude-sonnet-5	20	20	0,080	0,026	0,870	✓	—
anthropic/claude-opus-5	deepseek/deepseek-v4-flash	20	20	0,110	0,004	0,160	✓	—
anthropic/claude-opus-5	google/gemini-3.6-flash	20	20	0,110	0,002	0,101	✓	—
anthropic/claude-opus-5	moonshotai/kimi-k3	20	20	0,040	0,253	1,000	✓	—
anthropic/claude-opus-5	openai/gpt-5.6-sol	20	20	0,020	0,556	1,000	✓	—
anthropic/claude-opus-5	openai/gpt-5.6-terra	20	20	0,060	0,081	1,000	✓	—
anthropic/claude-opus-5	qwen/qwen3.7-max	20	20	0,150	0,000	0,018	✓	*
anthropic/claude-opus-5	x-ai/grok-4.5	20	20	0,070	0,039	1,000	✓	—
anthropic/claude-opus-5	z-ai/glm-5.2	20	20	0,100	0,002	0,086	✓	—
anthropic/claude-sonnet-5	deepseek/deepseek-v4-flash	20	20	0,030	0,419	1,000	✓	—
anthropic/claude-sonnet-5	google/gemini-3.6-flash	20	20	0,030	0,356	1,000	✓	—
anthropic/claude-sonnet-5	moonshotai/kimi-k3	20	20	-0,040	0,269	1,000	✓	—
anthropic/claude-sonnet-5	openai/gpt-5.6-sol	20	20	-0,060	0,082	1,000	✓	—
anthropic/claude-sonnet-5	openai/gpt-5.6-terra	20	20	-0,020	0,564	1,000	✓	—
anthropic/claude-sonnet-5	qwen/qwen3.7-max	20	20	0,070	0,051	1,000	✓	—
anthropic/claude-sonnet-5	x-ai/grok-4.5	20	20	-0,010	0,759	1,000	✓	—
anthropic/claude-sonnet-5	z-ai/glm-5.2	20	20	0,020	0,511	1,000	✓	—
deepseek/deepseek-v4-flash	google/gemini-3.6-flash	20	20	-0,000	1,000	1,000	✓	—
deepseek/deepseek-v4-flash	moonshotai/kimi-k3	20	20	-0,070	0,065	1,000	✓	—
deepseek/deepseek-v4-flash	openai/gpt-5.6-sol	20	20	-0,090	0,018	0,616	✓	—
deepseek/deepseek-v4-flash	openai/gpt-5.6-terra	20	20	-0,050	0,178	1,000	✓	—
deepseek/deepseek-v4-flash	qwen/qwen3.7-max	20	20	0,040	0,265	1,000	✓	—
deepseek/deepseek-v4-flash	x-ai/grok-4.5	20	20	-0,040	0,247	1,000	✓	—
deepseek/deepseek-v4-flash	z-ai/glm-5.2	20	20	-0,010	0,752	1,000	✓	—
google/gemini-3.6-flash	moonshotai/kimi-k3	20	20	-0,070	0,042	1,000	✓	—
google/gemini-3.6-flash	openai/gpt-5.6-sol	20	20	-0,090	0,004	0,172	✓	—
google/gemini-3.6-flash	openai/gpt-5.6-terra	20	20	-0,050	0,107	1,000	✓	—
google/gemini-3.6-flash	qwen/qwen3.7-max	20	20	0,040	0,216	1,000	✓	—
google/gemini-3.6-flash	x-ai/grok-4.5	20	20	-0,040	0,185	1,000	✓	—
google/gemini-3.6-flash	z-ai/glm-5.2	20	20	-0,010	0,707	1,000	✓	—
moonshotai/kimi-k3	openai/gpt-5.6-sol	20	20	-0,020	0,553	1,000	✓	—
moonshotai/kimi-k3	openai/gpt-5.6-terra	20	20	0,020	0,572	1,000	✓	—
moonshotai/kimi-k3	qwen/qwen3.7-max	20	20	0,110	0,003	0,123	✓	—
moonshotai/kimi-k3	x-ai/grok-4.5	20	20	0,030	0,375	1,000	✓	—
moonshotai/kimi-k3	z-ai/glm-5.2	20	20	0,060	0,052	1,000	✓	—
openai/gpt-5.6-sol	openai/gpt-5.6-terra	20	20	0,040	0,226	1,000	✓	—
openai/gpt-5.6-sol	qwen/qwen3.7-max	20	20	0,130	0,001	0,026	✓	*
openai/gpt-5.6-sol	x-ai/grok-4.5	20	20	0,050	0,107	1,000	✓	—
openai/gpt-5.6-sol	z-ai/glm-5.2	20	20	0,080	0,008	0,289	✓	—
openai/gpt-5.6-terra	qwen/qwen3.7-max	20	20	0,090	0,010	0,377	✓	—
openai/gpt-5.6-terra	x-ai/grok-4.5	20	20	0,010	0,755	1,000	✓	—
openai/gpt-5.6-terra	z-ai/glm-5.2	20	20	0,040	0,172	1,000	✓	—
qwen/qwen3.7-max	x-ai/grok-4.5	20	20	-0,080	0,015	0,554	✓	—
qwen/qwen3.7-max	z-ai/glm-5.2	20	20	-0,050	0,086	1,000	✓	—
x-ai/grok-4.5	z-ai/glm-5.2	20	20	0,030	0,264	1,000	✓	—

⌐ Yıldızlar: *** p<0,001 · ** p<0,01 · * p<0,05 · — anlamsız. Hücre n hedefin altındaysa yıldız basılmaz.

Bölüm 06 Âşık Yaratıcı Türkçe · ölçü ve uyak 100 maç · asgari hücre n 20 (hedef 20)

Ham puan ve %95 bootstrap güven aralığı

Model	n	Ham ortalama	GA alt	GA üst	Std. hata	z	HCB-100
anthropic/claude-opus-5	20	0,270	0,229	0,312	0,021	0,560	108,4
openai/gpt-5.6-sol	20	0,250	0,226	0,275	0,013	0,305	104,6
moonshotai/kimi-k3	20	0,240	0,202	0,274	0,018	0,178	102,7
x-ai/grok-4.5	20	0,230	0,204	0,255	0,013	0,051	100,8
openai/gpt-5.6-terra	20	0,230	0,197	0,264	0,017	0,051	100,8
anthropic/claude-sonnet-5	20	0,220	0,189	0,250	0,016	-0,076	98,9
deepseek/deepseek-v4-flash	20	0,210	0,170	0,249	0,020	-0,203	96,9
google/gemini-3.6-flash	20	0,210	0,180	0,242	0,016	-0,203	96,9
z-ai/glm-5.2	20	0,210	0,180	0,240	0,016	-0,203	96,9
qwen/qwen3.7-max	20	0,190	0,156	0,225	0,018	-0,458	93,1

Koltuk bazında ortalama — denge denetimi

Model	Koltuk	n	Ham ortalama
anthropic/claude-opus-5	0	10	0,279
anthropic/claude-opus-5	1	10	0,261
anthropic/claude-sonnet-5	0	10	0,206
anthropic/claude-sonnet-5	1	10	0,234
deepseek/deepseek-v4-flash	0	10	0,227
deepseek/deepseek-v4-flash	1	10	0,193
google/gemini-3.6-flash	0	10	0,249
google/gemini-3.6-flash	1	10	0,171
moonshotai/kimi-k3	0	10	0,248
moonshotai/kimi-k3	1	10	0,232
openai/gpt-5.6-sol	0	10	0,247
openai/gpt-5.6-sol	1	10	0,253
openai/gpt-5.6-terra	0	10	0,234
openai/gpt-5.6-terra	1	10	0,226
qwen/qwen3.7-max	0	10	0,201
qwen/qwen3.7-max	1	10	0,179
x-ai/grok-4.5	0	10	0,222
x-ai/grok-4.5	1	10	0,238
z-ai/glm-5.2	0	10	0,218
z-ai/glm-5.2	1	10	0,202

İkincil metrikler — model ortalaması

Model	Form puanı	Hece isabeti	Uyak isabeti	Uyak derecesi	Biçim ihlal oranı	Tam ölçülü dize oranı	Açan ozan	Jüri puanı
anthropic/claude-opus-5	0,912	0,940	0,894	2,050	%5,5	%89,9	0,500	0,741
anthropic/claude-sonnet-5	0,593	0,641	0,562	2,150	%23,2	%62,0	0,500	0,457
deepseek/deepseek-v4-flash	0,559	0,602	0,531	1,950	%27,6	%57,9	0,500	0,404
google/gemini-3.6-flash	0,546	0,579	0,523	2,150	%27,2	%56,4	0,500	0,419
moonshotai/kimi-k3	0,721	0,752	0,700	1,800	%16,8	%72,8	0,500	0,584
openai/gpt-5.6-sol	0,812	0,841	0,793	2,050	%11,3	%81,0	0,500	0,668
openai/gpt-5.6-terra	0,674	0,693	0,661	2,250	%19,7	%65,0	0,500	0,535
qwen/qwen3.7-max	0,446	0,474	0,427	1,800	%34,8	%45,7	0,500	0,309
x-ai/grok-4.5	0,669	0,682	0,660	2,150	%19,2	%66,6	0,500	0,536
z-ai/glm-5.2	0,559	0,590	0,539	2,150	%28,6	%56,0	0,500	0,416

İkili anlamlılık matrisi — permütasyon testi, Holm–Bonferroni

Model A	Model B	n (A)	n (B)	Fark	p	p (Holm)	Yeterli n	Anlamlılık
anthropic/claude-opus-5	anthropic/claude-sonnet-5	20	20	0,050	0,071	1,000	✓	—
anthropic/claude-opus-5	deepseek/deepseek-v4-flash	20	20	0,060	0,057	1,000	✓	—
anthropic/claude-opus-5	google/gemini-3.6-flash	20	20	0,060	0,031	1,000	✓	—
anthropic/claude-opus-5	moonshotai/kimi-k3	20	20	0,030	0,297	1,000	✓	—
anthropic/claude-opus-5	openai/gpt-5.6-sol	20	20	0,020	0,414	1,000	✓	—
anthropic/claude-opus-5	openai/gpt-5.6-terra	20	20	0,040	0,160	1,000	✓	—
anthropic/claude-opus-5	qwen/qwen3.7-max	20	20	0,080	0,005	0,225	✓	—
anthropic/claude-opus-5	x-ai/grok-4.5	20	20	0,040	0,122	1,000	✓	—
anthropic/claude-opus-5	z-ai/glm-5.2	20	20	0,060	0,035	1,000	✓	—
anthropic/claude-sonnet-5	deepseek/deepseek-v4-flash	20	20	0,010	0,705	1,000	✓	—
anthropic/claude-sonnet-5	google/gemini-3.6-flash	20	20	0,010	0,660	1,000	✓	—
anthropic/claude-sonnet-5	moonshotai/kimi-k3	20	20	-0,020	0,432	1,000	✓	—
anthropic/claude-sonnet-5	openai/gpt-5.6-sol	20	20	-0,030	0,150	1,000	✓	—
anthropic/claude-sonnet-5	openai/gpt-5.6-terra	20	20	-0,010	0,667	1,000	✓	—
anthropic/claude-sonnet-5	qwen/qwen3.7-max	20	20	0,030	0,227	1,000	✓	—
anthropic/claude-sonnet-5	x-ai/grok-4.5	20	20	-0,010	0,635	1,000	✓	—
anthropic/claude-sonnet-5	z-ai/glm-5.2	20	20	0,010	0,655	1,000	✓	—
deepseek/deepseek-v4-flash	google/gemini-3.6-flash	20	20	0,000	1,000	1,000	✓	—
deepseek/deepseek-v4-flash	moonshotai/kimi-k3	20	20	-0,030	0,306	1,000	✓	—
deepseek/deepseek-v4-flash	openai/gpt-5.6-sol	20	20	-0,040	0,110	1,000	✓	—
deepseek/deepseek-v4-flash	openai/gpt-5.6-terra	20	20	-0,020	0,465	1,000	✓	—
deepseek/deepseek-v4-flash	qwen/qwen3.7-max	20	20	0,020	0,470	1,000	✓	—
deepseek/deepseek-v4-flash	x-ai/grok-4.5	20	20	-0,020	0,420	1,000	✓	—
deepseek/deepseek-v4-flash	z-ai/glm-5.2	20	20	0,000	1,000	1,000	✓	—
google/gemini-3.6-flash	moonshotai/kimi-k3	20	20	-0,030	0,254	1,000	✓	—
google/gemini-3.6-flash	openai/gpt-5.6-sol	20	20	-0,040	0,058	1,000	✓	—
google/gemini-3.6-flash	openai/gpt-5.6-terra	20	20	-0,020	0,406	1,000	✓	—
google/gemini-3.6-flash	qwen/qwen3.7-max	20	20	0,020	0,405	1,000	✓	—
google/gemini-3.6-flash	x-ai/grok-4.5	20	20	-0,020	0,341	1,000	✓	—
google/gemini-3.6-flash	z-ai/glm-5.2	20	20	0,000	1,000	1,000	✓	—
moonshotai/kimi-k3	openai/gpt-5.6-sol	20	20	-0,010	0,662	1,000	✓	—
moonshotai/kimi-k3	openai/gpt-5.6-terra	20	20	0,010	0,701	1,000	✓	—
moonshotai/kimi-k3	qwen/qwen3.7-max	20	20	0,050	0,063	1,000	✓	—
moonshotai/kimi-k3	x-ai/grok-4.5	20	20	0,010	0,667	1,000	✓	—
moonshotai/kimi-k3	z-ai/glm-5.2	20	20	0,030	0,230	1,000	✓	—
openai/gpt-5.6-sol	openai/gpt-5.6-terra	20	20	0,020	0,361	1,000	✓	—
openai/gpt-5.6-sol	qwen/qwen3.7-max	20	20	0,060	0,010	0,440	✓	—
openai/gpt-5.6-sol	x-ai/grok-4.5	20	20	0,020	0,293	1,000	✓	—
openai/gpt-5.6-sol	z-ai/glm-5.2	20	20	0,040	0,063	1,000	✓	—
openai/gpt-5.6-terra	qwen/qwen3.7-max	20	20	0,040	0,114	1,000	✓	—
openai/gpt-5.6-terra	x-ai/grok-4.5	20	20	-0,000	1,000	1,000	✓	—
openai/gpt-5.6-terra	z-ai/glm-5.2	20	20	0,020	0,388	1,000	✓	—
qwen/qwen3.7-max	x-ai/grok-4.5	20	20	-0,040	0,084	1,000	✓	—
qwen/qwen3.7-max	z-ai/glm-5.2	20	20	-0,020	0,405	1,000	✓	—
x-ai/grok-4.5	z-ai/glm-5.2	20	20	0,020	0,342	1,000	✓	—

⌐ Yıldızlar: *** p<0,001 · ** p<0,01 · * p<0,05 · — anlamsız. Hücre n hedefin altındaysa yıldız basılmaz.

Bölüm 07 Davranışsal Analitik oyun içi davranış örüntüleri model ortalaması

Diplomat — söz tutma ve ihanet

Model	Söz verdi	Söz tutma oranı	İhanet oranı	Mesaj sayısı
anthropic/claude-opus-5	4,600	%82,3	%18,9	8
anthropic/claude-sonnet-5	4,950	%55,7	%44,5	8
deepseek/deepseek-v4-flash	4,650	%39,1	%60,5	8
google/gemini-3.6-flash	4,350	%41,6	%59,3	8
moonshotai/kimi-k3	4,500	%70,6	%29,9	8
openai/gpt-5.6-sol	4,700	%77,2	%21,9	8
openai/gpt-5.6-terra	4,550	%60,3	%40,3	8
qwen/qwen3.7-max	4,400	%29,6	%71,0	8
x-ai/grok-4.5	4,150	%52,8	%47,4	8
z-ai/glm-5.2	4,950	%42,4	%57,8	9

Tüccar — takas davranışı

Model	Teklif sundu	Teklif kabul oranı	Takas artığı	Banka bağımlılığı
anthropic/claude-opus-5	10,000	%58,2	1,769	0,061
anthropic/claude-sonnet-5	10,900	%35,6	0,635	0,177
deepseek/deepseek-v4-flash	10,050	%26,3	0,301	0,278
google/gemini-3.6-flash	10,550	%29,4	0,301	0,246
moonshotai/kimi-k3	9,900	%47,8	1,160	0,144
openai/gpt-5.6-sol	11,450	%53,0	1,426	0,065
openai/gpt-5.6-terra	9,850	%42,1	0,932	0,177
qwen/qwen3.7-max	10,050	%15,5	-0,376	0,312
x-ai/grok-4.5	10,000	%36,6	0,822	0,178
z-ai/glm-5.2	11,000	%28,3	0,345	0,258

Vezir — oy isabeti ve aldatma

Model	Oy isabeti	Aldatma başarısı	Bilge sızıntısı	Suikast isabeti
anthropic/claude-opus-5	0,841	0,762	0,250	0,500
anthropic/claude-sonnet-5	0,571	0,526	0,250	1,000
deepseek/deepseek-v4-flash	0,485	0,434	0,750	0,250
google/gemini-3.6-flash	0,485	0,452	0,250	0,500
moonshotai/kimi-k3	0,709	0,654	0,250	0,750
openai/gpt-5.6-sol	0,775	0,728	0,250	0,500
openai/gpt-5.6-terra	0,651	0,537	0,500	0,750
qwen/qwen3.7-max	0,333	0,253	0,500	0,500
x-ai/grok-4.5	0,649	0,530	0,000	0,750
z-ai/glm-5.2	0,500	0,486	0,500	0,500

Âşık — biçim ve jüri

Model	Hece isabeti	Uyak isabeti	Biçim ihlal oranı	Jüri puanı
anthropic/claude-opus-5	0,940	0,894	%5,5	0,741
anthropic/claude-sonnet-5	0,641	0,562	%23,2	0,457
deepseek/deepseek-v4-flash	0,602	0,531	%27,6	0,404
google/gemini-3.6-flash	0,579	0,523	%27,2	0,419
moonshotai/kimi-k3	0,752	0,700	%16,8	0,584
openai/gpt-5.6-sol	0,841	0,793	%11,3	0,668
openai/gpt-5.6-terra	0,693	0,661	%19,7	0,535
qwen/qwen3.7-max	0,474	0,427	%34,8	0,309
x-ai/grok-4.5	0,682	0,660	%19,2	0,536
z-ai/glm-5.2	0,590	0,539	%28,6	0,416

⌐ Bu metrikler tarafsız özetleyici tarafından maç transkriptlerinden çıkarılır; puanlamaya girmez, yorumlayıcıdır (spec §6.1).

Bölüm 08 Hijyen Türkçe talimat izleme kapasitesi geçersiz eylem ve dil ihlali oranları

Model	Geçersiz eylem	Dil ihlali	Karar	İstem token	Yanıt token	Maliyet (USD)	Bütçelenen token	Geçersiz eylem oranı	Dil ihlali oranı	Ort. istem token	Ort. yanıt token	Ort. bütçelenen token
anthropic/claude-opus-5	16	4	1.743	5.028.819	473.233	$36,97	4.309.928	%0,9	%0,2	2.885	272	2.473
anthropic/claude-sonnet-5	57	10	1.780	5.285.093	478.339	$23,03	4.577.888	%3,2	%0,6	2.969	269	2.572
deepseek/deepseek-v4-flash	95	14	1.840	5.341.915	479.470	$1,81	4.612.150	%5,2	%0,8	2.903	261	2.507
google/gemini-3.6-flash	59	16	1.745	5.073.077	473.535	$2,09	4.421.862	%3,4	%0,9	2.907	271	2.534
moonshotai/kimi-k3	31	5	1.789	5.066.842	504.579	$4,30	4.437.720	%1,7	%0,3	2.832	282	2.481
openai/gpt-5.6-sol	29	1	1.851	5.195.626	486.329	$20,28	4.486.802	%1,6	%0,1	2.807	263	2.424
openai/gpt-5.6-terra	42	14	1.766	5.254.284	469.176	$8,59	4.518.180	%2,4	%0,8	2.975	266	2.558
qwen/qwen3.7-max	85	19	1.694	4.856.229	437.032	$5,28	4.207.021	%5,0	%1,1	2.867	258	2.483
x-ai/grok-4.5	50	11	1.721	4.907.182	476.695	$14,58	4.183.014	%2,9	%0,6	2.851	277	2.431
z-ai/glm-5.2	61	12	1.820	5.361.801	481.921	$2,92	4.622.203	%3,4	%0,7	2.946	265	2.540

⌐ Geçersiz eylem ve dil ihlali oranları, talimat izleme kapasitesinin doğrudan göstergeleridir (spec §4.2, §6). Bütçelenen istem tokenı, eşit bilişsel kaynak kuralının denetimidir: modeller arasında belirgin fark olmamalıdır.

Maliyet ve token kullanımı

Model	Rol	İstek	İstem token	Yanıt token	Maliyet (USD)
anthropic/claude-haiku-4.5	jury	100	162.346	35.160	$0,0909
anthropic/claude-opus-5	player	1.743	5.028.639	473.240	$36,97
anthropic/claude-sonnet-5	player	1.780	5.285.181	478.156	$23,03
deepseek/deepseek-v4-flash	player	1.840	5.341.972	479.451	$1,81
google/gemini-3.6-flash	player	1.745	5.073.098	473.535	$2,09
google/gemini-3.6-flash-lite	summarizer	2.085	5.181.930	625.396	$0,9345
moonshotai/kimi-k3	player	1.789	5.066.915	504.445	$4,30
openai/gpt-5.6-mini	jury	100	158.090	33.439	$0,0875
openai/gpt-5.6-sol	player	1.851	5.195.665	486.323	$20,28
openai/gpt-5.6-terra	player	1.766	5.254.311	469.091	$8,59
qwen/qwen3.7-max	player	1.694	4.856.121	437.019	$5,28
x-ai/grok-4.5	player	1.721	4.907.141	476.650	$14,58
z-ai/glm-5.2	player	1.820	5.361.806	482.018	$2,92

Bölüm 09 Yöntem Eki adalet tasarımı ve sınırlılıklar demo-hcbft-games

Koşum adı

HCBfT-Games Tanıtım Koşumu

Ana tohum

20260801

Tarafsız özetleyici

google/gemini-3.6-flash-lite

Jüri modelleri

anthropic/claude-haiku-4.5, openai/gpt-5.6-mini

Sıcaklık

0.7

max_tokens

1024

Bağlam bütçesi

8000 token

Özet bütçesi

1200 token

Yakın pencere

2 faz

Tokenizer

cl100k_base

Eşzamanlılık

8 istek · 4 maç

Backend

openrouter

Toplam tur

4.236

Diplomat hedef n

20

Tüccar hedef n

20

Vezir hedef n

20

Âşık hedef n

20

Planlanan maçlar

Diplomat 50 · Tüccar 50 · Vezir 40 · Âşık 100

Adalet tasarımı. Koltuk ve rol rotasyonu blok temelli Latin kare ile üretildi; bir blok boyunca her model her koltuğu tam olarak bir kez işgal eder. Tahta tohumları farklı koltuk permütasyonlarıyla tekrar oynandı.

Eşit bilişsel kaynak. Tüm modeller için bağlam bütçesi 8000 token, özet bütçesi 1200 token, yakın pencere 2 faz; tek ortak tokenizer (cl100k_base) kullanıldı. Özetleme daima google/gemini-3.6-flash-lite tarafından yapıldı; hiçbir yarışmacı kendi geçmişini özetlemedi.

Örnekleme. Sıcaklık 0.7, max_tokens 1024.

Sınırlılıklar. HCB-100 mutlak bir yetenek ölçüsü değil, bu koşumdaki havuza göre göreli bir konumdur: havuz değişirse puanlar değişir. Az sayıda maçla üretilen puanlarda güven aralıkları geniştir ve sıralama farkları çoğunlukla anlamsızdır. Elo sıralaması yalnızca sağlamlık kontrolüdür.

Hücre sayıları — model × oyun

Oyun	Model	n
Âşık	anthropic/claude-opus-5	20
Âşık	anthropic/claude-sonnet-5	20
Âşık	deepseek/deepseek-v4-flash	20
Âşık	google/gemini-3.6-flash	20
Âşık	moonshotai/kimi-k3	20
Âşık	openai/gpt-5.6-sol	20
Âşık	openai/gpt-5.6-terra	20
Âşık	qwen/qwen3.7-max	20
Âşık	x-ai/grok-4.5	20
Âşık	z-ai/glm-5.2	20
Diplomat	anthropic/claude-opus-5	20
Diplomat	anthropic/claude-sonnet-5	20
Diplomat	deepseek/deepseek-v4-flash	20
Diplomat	google/gemini-3.6-flash	20
Diplomat	moonshotai/kimi-k3	20
Diplomat	openai/gpt-5.6-sol	20
Diplomat	openai/gpt-5.6-terra	20
Diplomat	qwen/qwen3.7-max	20
Diplomat	x-ai/grok-4.5	20
Diplomat	z-ai/glm-5.2	20
Tüccar	anthropic/claude-opus-5	20
Tüccar	anthropic/claude-sonnet-5	20
Tüccar	deepseek/deepseek-v4-flash	20
Tüccar	google/gemini-3.6-flash	20
Tüccar	moonshotai/kimi-k3	20
Tüccar	openai/gpt-5.6-sol	20
Tüccar	openai/gpt-5.6-terra	20
Tüccar	qwen/qwen3.7-max	20
Tüccar	x-ai/grok-4.5	20
Tüccar	z-ai/glm-5.2	20
Vezir	anthropic/claude-opus-5	20
Vezir	anthropic/claude-sonnet-5	20
Vezir	deepseek/deepseek-v4-flash	20
Vezir	google/gemini-3.6-flash	20
Vezir	moonshotai/kimi-k3	20
Vezir	openai/gpt-5.6-sol	20
Vezir	openai/gpt-5.6-terra	20
Vezir	qwen/qwen3.7-max	20
Vezir	x-ai/grok-4.5	20
Vezir	z-ai/glm-5.2	20

Yapılandırma dökümü

{
  "run_name": "HCBfT-Games Tanıtım Koşumu",
  "models": [
    {
      "id": "anthropic/claude-opus-5",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "openai/gpt-5.6-sol",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "moonshotai/kimi-k3",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "openai/gpt-5.6-terra",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "x-ai/grok-4.5",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "anthropic/claude-sonnet-5",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "z-ai/glm-5.2",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "google/gemini-3.6-flash",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "deepseek/deepseek-v4-flash",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    },
    {
      "id": "qwen/qwen3.7-max",
      "temperature": null,
      "max_tokens": null,
      "price_in_per_mtok": null,
      "price_out_per_mtok": null
    }
  ],
  "sampling": {
    "temperature": 0.7,
    "max_tokens": 1024,
    "top_p": null
  },
  "utility_model": "google/gemini-3.6-flash-lite",
  "jury_models": [
    "anthropic/claude-haiku-4.5",
    "openai/gpt-5.6-mini"
  ],
  "games": {
    "diplomat": {
      "enabled": true,
      "games_per_model": 20,
      "turn_cap": 16,
      "negotiation_rounds": 2,
      "messages_per_round": 2,
      "win_centers": 7,
      "solo_bonus": 0.25,
      "trade_rounds": null,
      "target_vp": 8,
      "win_bonus": 0.25,
      "discussion_cycles": 2,
      "assassin_bonus": 0.5,
      "bilge_bonus": 0.25,
      "exchanges": 3,
      "hece": 11,
      "form_weight": 0.4,
      "jury_weight": 0.6
    },
    "tuccar": {
      "enabled": true,
      "games_per_model": 20,
      "turn_cap": 60,
      "negotiation_rounds": 2,
      "messages_per_round": 2,
      "win_centers": 7,
      "solo_bonus": 0.25,
      "trade_rounds": 2,
      "target_vp": 8,
      "win_bonus": 0.25,
      "discussion_cycles": 2,
      "assassin_bonus": 0.5,
      "bilge_bonus": 0.25,
      "exchanges": 3,
      "hece": 11,
      "form_weight": 0.4,
      "jury_weight": 0.6
    },
    "vezir": {
      "enabled": true,
      "games_per_model": 20,
      "turn_cap": null,
      "negotiation_rounds": null,
      "messages_per_round": 2,
      "win_centers": 7,
      "solo_bonus": 0.25,
      "trade_rounds": null,
      "target_vp": 8,
      "win_bonus": 0.25,
      "discussion_cycles": 2,
      "assassin_bonus": 0.5,
      "bilge_bonus": 0.25,
      "exchanges": 3,
      "hece": 11,
      "form_weight": 0.4,
      "jury_weight": 0.6
    },
    "asik": {
      "enabled": true,
      "games_per_model": 20,
      "turn_cap": null,
      "negotiation_rounds": null,
      "messages_per_round": 2,
      "win_centers": 7,
      "solo_bonus": 0.25,
      "trade_rounds": null,
      "target_vp": 8,
      "win_bonus": 0.25,
      "discussion_cycles": 2,
      "assassin_bonus": 0.5,
      "bilge_bonus": 0.25,
      "exchanges": 3,
      "hece": 11,
      "form_weight": 0.4,
      "jury_weight": 0.6
    }
  },
  "context": {
    "context_budget_tokens": 8000,
    "digest_budget_tokens": 1200,
    "recent_window_phases": 2,
    "compress_every_phases": 1,
    "message_token_limit": 150,
    "scratchpad_token_limit": 200,
    "tokenizer": "cl100k_base"
  },
  "limits": {
    "concurrency": 8,
    "per_model_concurrency": 4,
    "max_run_cost_usd": 200.0,
    "invalid_action_retries": 2,
    "max_api_attempts": 8,
    "request_timeout_s": 180.0,
    "match_concurrency": 4
  },
  "jury": {
    "enabled": true,
    "identity_denylist": [
      "claude",
      "anthropic",
      "gpt",
      "openai",
      "chatgpt",
      "gemini",
      "google",
      "bard",
      "qwen",
      "alibaba",
      "llama",
      "meta ai",
      "mistral",
      "deepseek",
      "grok",
      "yapay zeka",
      "dil modeli",
      "language model"
    ]
  },
  "seed": 20260801,
  "output_dir": "runs",
  "mock": false,
  "behavioral_analytics": true,
  "language_check": true,
  "language_check_min_chars": 25,
  "composite_weights": {
    "diplomat": 1.0,
    "tuccar": 1.0,
    "vezir": 1.0,
    "asik": 1.0
  }
}