--- title: "Varlıklar · zihinler ve olası zihinler, kanıta göre sıralı · Simülasyon Hipotezi" url: https://simulation-hypothesis.com/tr/entities description: "Zihinler için kaynaklı bir rehber: ölçülmüş nöron sayılarıyla hayvanlar, kolektif ve yapay sistemler, duyarlılık ve bilinç için yayımlanmış testler." license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl, Simülasyon Hipotezi (simulation-hypothesis.com)" --- # Varlıklar · zihinler ve olası zihinler, kanıta göre sıralı Dünya bir simülasyonsa, zihinler içindeki hesaplaması en zor şeylerden bazıları olabilir. Bu rehber bilinen vakaları, tek hücrelerden insanlara kadar listeler. Ayrıca şimdiye kadar yapılmış yapay sistemleri ve bilim insanlarının ve filozofların önerdiği ama kimsenin gözlemlemediği zihinleri de kapsar. Her rakamın bir kaynağı ve bir güven etiketi var. ölçüldü doğrudan bir sayımdır, tahmin başka verilerden hesaplanır ve sayılmadı kimsenin bir sayım yayımlamadığı anlamına gelir. Bu sistemlerden herhangi birinin deneyimi olup olmadığı ayrı bir sorudur. Bunun kanıtları [duyarlılık ölçütleri](https://simulation-hypothesis.com/tr/entities/sentience) ve [bilinç göstergeleri](https://simulation-hypothesis.com/tr/entities/indicators) altında. ## Bireysel zihinler ## Hayvanlar: korteksteki ve tüm beyindeki nöronlar Korteks veya palyum Bütün beyin Tümü Memeliler Kuşlar Serebral kortekste (memeliler) ya da palyumdaki (kuşlar) nöronlar; bilişsel kapasite için yaygın kullanılan bir anatomik ölçüt. Logaritmik ölçek; dolu çubuklar sayımları, taralı çubuklar tahminleri ya da tartışmalı sayımları (†) gösterir. Sürüngenler ve omurgasızlar gösterilmez, çünkü karşılaştırılabilir bir sayım yok. 1. Orka † 43,1 milyar 2. Uzun yüzgeçli pilot balina † 37,2 milyar 3. [İnsan](https://simulation-hypothesis.com/tr/entities/human)▲1 16,3 milyar 4. Liman yunusu † 14,9 milyar 5. [Şişe burunlu yunus †](https://simulation-hypothesis.com/tr/entities/dolphin) 12,7 milyar 6. Cuvier gagalı balinası 9,1 milyar 7. Goril 8,5 milyar 8. Orangutan 8,5 milyar 9. [Şempanze](https://simulation-hypothesis.com/tr/entities/chimp) 7,4 milyar 10. Adi yunus 6,7 milyar 11. Grönland foku 6,1 milyar 12. [Afrika fili](https://simulation-hypothesis.com/tr/entities/elephant)▼1 5,6 milyar 13. Fin balinası 5,2 milyar 14. Mavi balina 5,1 milyar 15. Minke balinası 3,2 milyar Tüm 88 tanesini göster 10^6 10^7 10^8 10^9 10^10 10^11 neurons Sayıları göster | # | Hayvan | Korteks veya palyum | Bütün beyin | | -- | ---------------------------- | ------------------- | ------------- | | 1 | Orka † | 43,1 milyar | | | 2 | Uzun yüzgeçli pilot balina † | 37,2 milyar | | | 3 | İnsan | 16,3 milyar | 86,1 milyar | | 4 | Liman yunusu † | 14,9 milyar | | | 5 | Şişe burunlu yunus † | 12,7 milyar | | | 6 | Cuvier gagalı balinası | 9,1 milyar | | | 7 | Goril | 8,5 milyar | | | 8 | Orangutan | 8,5 milyar | | | 9 | Şempanze | 7,4 milyar | | | 10 | Adi yunus | 6,7 milyar | | | 11 | Grönland foku | 6,1 milyar | | | 12 | Afrika fili | 5,6 milyar | 257 milyar | | 13 | Fin balinası | 5,2 milyar | | | 14 | Mavi balina | 5,1 milyar | | | 15 | Minke balinası | 3,2 milyar | 57,4 milyar | | 16 | Zeytin babunu | 2,88 milyar | 10,95 milyar | | 17 | Beluga | 2,7 milyar | | | 18 | Cüce ispermeçet balinası | 2,02 milyar | | | 19 | Mavi-sarı ara papağanı | 1,92 milyar | 3,14 milyar | | 20 | Resus makağı | 1,71 milyar | 6,39 milyar | | 21 | Zürafa | 1,67 milyar | 11,21 milyar | | 22 | Sincap maymunu | 1,34 milyar | 3,25 milyar | | 23 | Puhu | 1,33 milyar | 1,9 milyar | | 24 | Kea | 1,28 milyar | 2,15 milyar | | 25 | Kar baykuşu | 1,27 milyar | 1,81 milyar | | 26 | Kuzgun | 1,2 milyar | 2,17 milyar | | 27 | Alaca baykuş | 1,15 milyar | 1,58 milyar | | 28 | Kapuçin maymunu | 1,14 milyar | 3,69 milyar | | 29 | Sarı tepeli kakadu | 1,14 milyar | 2,12 milyar | | 30 | Afrika gri papağanı | 850 milyon | 1,57 milyar | | 31 | Ekin kargası | 820 milyon | 1,51 milyar | | 32 | Büyük kudu | 793,07 milyon | 6,09 milyar | | 33 | Kulaklı orman baykuşu | 673 milyon | 991,31 milyon | | 34 | Goffin kakadusu | 599 milyon | 1,16 milyar | | 35 | Aslan | 545,24 milyon | 4,67 milyar | | 36 | Ak kuyruklu kartal | 542,93 milyon | 1,65 milyar | | 37 | Alakarga | 529 milyon | 1,09 milyar | | 38 | Evcil köpek | 526 milyon | | | 39 | Çizgili sırtlan | 495,28 milyon | 3,88 milyar | | 40 | Küçük karga | 492 milyon | 967,99 milyon | | 41 | Deve kuşu | 479,41 milyon | 1,63 milyar | | 42 | Saksağan | 443 milyon | 897,27 milyon | | 43 | Gökdoğan | 442,95 milyon | 1,2 milyar | | 44 | Emu | 439 milyon | 1,34 milyar | | 45 | Rakun | 437,94 milyon | 2,15 milyar | | 46 | Peçeli baykuş | 437 milyon | 689,54 milyon | | 47 | Kukumav | 400,82 milyon | 585,92 milyon | | 48 | Kara akbaba | 398,9 milyon | 1,01 milyar | | 49 | Cüce baykuş | 364 milyon | 533,26 milyon | | 50 | Şahin | 351,7 milyon | 1 milyar | | 51 | Büyük nandu | 330,34 milyon | 1,03 milyar | | 52 | Kuğu | 323,66 milyon | 1 milyar | | 53 | Evcil domuz | 293 milyon | 2,22 milyar | | 54 | Boz kaz | 258,65 milyon | 738,23 milyon | | 55 | Boz ayı | 250,97 milyon | 9,59 milyar | | 56 | Evcil kedi | 250 milyon | 1,22 milyar | | 57 | Marmoset maymunu | 245 milyon | 638 milyon | | 58 | Kerkenez | 237,9 milyon | 624,58 milyon | | 59 | Çamurcun | 167,29 milyon | 375,41 milyon | | 60 | Muhabbet kuşu | 149 milyon | 321,82 milyon | | 61 | Kızıl göğüslü kaz | 148,62 milyon | 482,71 milyon | | 62 | Orman ördeği | 138,21 milyon | 305,82 milyon | | 63 | Cüce şahin | 131,9 milyon | 350,37 milyon | | 64 | Mermer ördek | 130,14 milyon | 386,92 milyon | | 65 | Hint tavuskuşu | 129,62 milyon | 570,93 milyon | | 66 | Sarı tümsekli curassow | 124,62 milyon | 652,99 milyon | | 67 | Victoria taçlı güvercini | 118,45 milyon | 578,7 milyon | | 68 | Yeşilbaş ördek | 112,26 milyon | 367,47 milyon | | 69 | Yabani hindi | 105,65 milyon | 492,87 milyon | | 70 | Atmaca | 87,83 milyon | 401,75 milyon | | 71 | Reeves sülünü | 80,69 milyon | 387,17 milyon | | 72 | Kaya güvercini | 72 milyon | 310 milyon | | 73 | Avrupa tavşanı | 71,5 milyon | 513 milyon | | 74 | Kırmızı orman tavuğu | 60,7 milyon | 220,84 milyon | | 75 | Şili tinamusu | 59,13 milyon | 241,37 milyon | | 76 | Zebra ispinozu | 55,2 milyon | 135,98 milyon | | 77 | Zarif tepeli tinamu | 51,38 milyon | 217,77 milyon | | 78 | Tahtalı güvercin | 51,33 milyon | 258,68 milyon | | 79 | Quebracho tepeli tinamu | 48,29 milyon | 235,67 milyon | | 80 | Afrika kumrusu | 40 milyon | 139,27 milyon | | 81 | Kuzey bobwhite bıldırcını | 39,11 milyon | 148,4 milyon | | 82 | Gri keklik | 36,88 milyon | 170,29 milyon | | 83 | Sıçan | 31 milyon | 200 milyon | | 84 | Bıldırcın | 22,57 milyon | 117,76 milyon | | 85 | Kral bıldırcını | 20,52 milyon | 80,48 milyon | | 86 | Elmas kumru | 18,21 milyon | 87,88 milyon | | 87 | Fare | 13,7 milyon | 70,9 milyon | | 88 | Çıplak köstebek faresi | 5,31 milyon | 33,62 milyon | ## Yapay zekâ sistemleri: parametreler ve sinapslar Tüm parametreler Token başına kullanılan All Dil Çok modlu Görü Diğer (konuşma, biyoloji, oyunlar, robotik…) Eğitilebilir parametreler (bağlantı ağırlıkları), logaritmik ölçekte: Epoch AI’ın veritabanında parametre sayısı olan her önemli model (alındığı tarih 3 Ekim 2026). Dolu çubuklar Epoch’un güvenilir bulduğu sayımlardır; taralı çubuklar olası ya da spekülatif bulduğu sayımlardır. \* ile işaretli çubuklar, geliştiricileri boyutlarını yayımlamayan kapalı modeller için üçüncü taraf analizlerinden 2 Ekim 2026 tarihinde derlenmiş tahminlerdir; ince çizgi tahminin aralığını gösterir. Gemini 3 ve sonrası: yayımlanmış tahmin yok. Boş satırlar sinaps sayılarıdır: bir parametre, nörondan çok sinapsa yakındır. 1. İnsan neokorteksi 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah's Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3 (DeepSeek, 2024) 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ Tüm 725 tanesini göster 10^4 10^6 10^8 10^10 10^12 10^14 parametre veya sinaps Sayıları göster | # | Sistem | Tüm parametreler | Token başına kullanılan | Yıl | Tür | | --- | ------------------------------------------------------------------------------------------- | ---------------- | ----------------------- | ---- | -------------------------------------------- | | 1 | İnsan neokorteksi | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | | sinaps | | 2 | GPT-5.5 (OpenAI, 2026) \* | \~4.7 × 10¹² | | 2026 | tahmin | | 3 | Claude Fable 5 (Anthropic, 2026) \* | \~3.5 × 10¹² | | 2026 | tahmin | | 4 | Grok 3 (xAI, 2025) | \~3 × 10¹² | | 2025 | tahmin | | 5 | Grok 4 (xAI, 2025) | \~3 × 10¹² | | 2025 | tahmin | | 6 | Gemini 2.5 Pro (Google, 2025) \* | \~3 × 10¹² | | 2025 | tahmin | | 7 | Kimi K3 (Moonshot, 2026) | \~2.8 × 10¹² | | 2026 | tahmin | | 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | mimari belirtilmemiş | | 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | uzmanlar karışımı | | 10 | Grok 4.7 (xAI, 2026) \* | \~2.1 × 10¹² | | 2026 | tahmin | | 11 | Llama 4 Behemoth (Meta AI, 2025) | \~2 × 10¹² | | 2025 | tahmin | | 12 | GPT-4 (OpenAI, 2023) | \~1.8 × 10¹² | | 2023 | tahmin | | 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | \~1.6 × 10¹² | | 2026 | tahmin | | 14 | LongCat-2.0 (Meituan Inc, 2026) | \~1.6 × 10¹² | | 2026 | tahmin | | 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 18 | Kimi K2.5 (Moonshot, 2026) | \~1 × 10¹² | | 2026 | tahmin | | 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 21 | Composer 2.5 (Cursor, 2026) | \~1 × 10¹² | | 2026 | tahmin | | 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | mimari belirtilmemiş | | 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | \~1 × 10¹² | | 2026 | tahmin | | 24 | M6-T (Alibaba, 2021) | \~1 × 10¹² | | 2021 | tahmin | | 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 26 | Qwen3-Max (Alibaba, 2025) | \~1 × 10¹² | | 2025 | tahmin | | 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | uzmanlar karışımı | | 28 | Kimi K2 Thinking (Moonshot, 2025) | \~1 × 10¹² | | 2025 | tahmin | | 29 | Inkling (Thinking Machines, 2026) | \~9.8 × 10¹¹ | | 2026 | tahmin | | 30 | Tencent Hy4 preview (Tencent, 2026) | \~7.7 × 10¹¹ | | 2026 | tahmin | | 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | \~7.5 × 10¹¹ | | 2026 | tahmin | | 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | \~7.4 × 10¹¹ | | 2026 | tahmin | | 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | uzmanlar karışımı | | 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | uzmanlar karışımı | | 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | uzmanlar karışımı | | 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | uzmanlar karışımı | | 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | mimari belirtilmemiş | | 42 | Step 5 Preview (StepFun, 2026) | \~6 × 10¹¹ | | 2026 | tahmin | | 43 | PaLM-E (Google, 2023) | \~5.6 × 10¹¹ | | 2023 | tahmin | | 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 45 | LongCat-Flash (Meituan Inc, 2025) | \~5.6 × 10¹¹ | | 2025 | tahmin | | 46 | Nemotron 3 Ultra (Nvidia, 2026) | \~5.5 × 10¹¹ | | 2026 | tahmin | | 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | yoğun | | 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | yoğun | | 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | yoğun | | 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | yoğun | | 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | yoğun | | 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | yoğun | | 53 | MegaScale (ByteDance, 2024) | \~5.3 × 10¹¹ | | 2024 | tahmin | | 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 55 | Doubao-pro (ByteDance, 2024) | \~5 × 10¹¹ | | 2024 | tahmin | | 56 | Grok 4.20 (xAI, 2026) | \~5 × 10¹¹ | | 2026 | tahmin | | 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | uzmanlar karışımı | | 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | uzmanlar karışımı | | 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | uzmanlar karışımı | | 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | yoğun | | 61 | Llama 4 Maverick (Meta AI, 2025) | \~4 × 10¹¹ | | 2025 | tahmin | | 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | \~4 × 10¹¹ | | 2026 | tahmin | | 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | tahmin | | 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | tahmin | | 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | uzmanlar karışımı | | 68 | PaLM 2 (Google, 2023) | \~3.4 × 10¹¹ | | 2023 | tahmin | | 69 | Med-PaLM 2 (Google Research, 2023) | \~3.4 × 10¹¹ | | 2023 | tahmin | | 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | yoğun | | 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | \~3.2 × 10¹¹ | | 2026 | tahmin | | 72 | Grok-1 (xAI, 2023) | \~3.1 × 10¹¹ | | 2023 | tahmin | | 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 74 | SB-LM (Google, 2007) | \~3 × 10¹¹ | | 2007 | tahmin | | 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | \~2.8 × 10¹¹ | | 2026 | tahmin | | 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | yoğun | | 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 80 | ST-MoE (Google, 2022) | \~2.7 × 10¹¹ | | 2022 | tahmin | | 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | yoğun | | 82 | Solar Open2 250B (Upstage, 2026) | \~2.5 × 10¹¹ | | 2026 | tahmin | | 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | \~2.5 × 10¹¹ | | 2024 | tahmin | | 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | mimari belirtilmemiş | | 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | mimari belirtilmemiş | | 88 | Qwen3-235B-A22B (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | tahmin | | 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | tahmin | | 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | \~2.4 × 10¹¹ | | 2025 | tahmin | | 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | uzmanlar karışımı | | 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 94 | HyperCLOVA 204B (NAVER, 2021) | \~2 × 10¹¹ | | 2021 | tahmin | | 95 | Amazon Titan (Amazon, 2023) | \~2 × 10¹¹ | | 2023 | tahmin | | 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | yoğun | | 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | mimari belirtilmemiş | | 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | yoğun | | 99 | BLUUMI (University of Turku, 2023) | \~1.8 × 10¹¹ | | 2023 | tahmin | | 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | yoğun | | 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | yoğun | | 102 | BlenderBot 3 (McGill University, 2022) | \~1.8 × 10¹¹ | | 2022 | tahmin | | 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | yoğun | | 104 | Palmyra X 004 (Writer, 2024) | \~1.5 × 10¹¹ | | 2024 | tahmin | | 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | mimari belirtilmemiş | | 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | mimari belirtilmemiş | | 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | mimari belirtilmemiş | | 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | mimari belirtilmemiş | | 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | yoğun | | 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | mimari belirtilmemiş | | 112 | Mistral Large 2 (Mistral AI, 2024) | \~1.2 × 10¹¹ | | 2024 | tahmin | | 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | \~1.2 × 10¹¹ | | 2026 | tahmin | | 114 | Galactica (Meta AI, 2022) | \~1.2 × 10¹¹ | | 2022 | tahmin | | 115 | Nemotron 3 Super (Nvidia, 2026) | \~1.2 × 10¹¹ | | 2026 | tahmin | | 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | uzmanlar karışımı | | 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | mimari belirtilmemiş | | 118 | Kaiju Large (Character.ai, 2025) | \~1.1 × 10¹¹ | | 2025 | tahmin | | 119 | Llama 4 Scout (Meta AI, 2025) | \~1.1 × 10¹¹ | | 2025 | tahmin | | 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | yoğun | | 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | mimari belirtilmemiş | | 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | yoğun | | 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | mimari belirtilmemiş | | 124 | Yi-Large (01.AI, 2024) | \~1 × 10¹¹ | | 2024 | tahmin | | 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 127 | Fare neokorteksi | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | | sinaps | | 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | yoğun | | 129 | Qwen3-Coder-Next (Alibaba, 2026) | \~8 × 10¹⁰ | | 2026 | tahmin | | 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | yoğun | | 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | yoğun | | 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | yoğun | | 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | yoğun | | 134 | Palmyra X 003 (Writer, 2024) | \~7.2 × 10¹⁰ | | 2024 | tahmin | | 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | yoğun | | 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | yoğun | | 137 | NVLM-X 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | tahmin | | 138 | NVLM-H 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | tahmin | | 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | mimari belirtilmemiş | | 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | yoğun | | 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | yoğun | | 143 | PPLX-70B-Online (Perplexity, 2023) | \~7 × 10¹⁰ | | 2023 | tahmin | | 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | yoğun | | 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | yoğun | | 147 | Reka Core (Reka AI, 2024) | \~6.7 × 10¹⁰ | | 2024 | tahmin | | 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | yoğun | | 149 | SNM-skip (Google, 2014) | \~6.2 × 10¹⁰ | | 2014 | tahmin | | 150 | PaLI-X (Google Research, 2023) | \~5.5 × 10¹⁰ | | 2023 | tahmin | | 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | yoğun | | 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | yoğun | | 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 156 | Mixtral 8x7B (Mistral AI, 2023) | \~4.7 × 10¹⁰ | | 2023 | tahmin | | 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | mimari belirtilmemiş | | 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | yoğun | | 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | uzmanlar karışımı | | 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | yoğun | | 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 163 | Kaiju Medium (Character.ai, 2025) | \~3.4 × 10¹⁰ | | 2025 | tahmin | | 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | mimari belirtilmemiş | | 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | yoğun | | 166 | QwQ-32B (Alibaba, 2025) | \~3.3 × 10¹⁰ | | 2025 | tahmin | | 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | mimari belirtilmemiş | | 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | mimari belirtilmemiş | | 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | mimari belirtilmemiş | | 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | mimari belirtilmemiş | | 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | \~3.2 × 10¹⁰ | | 2025 | tahmin | | 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | mimari belirtilmemiş | | 174 | MM1-30B (Apple, 2024) | \~3 × 10¹⁰ | | 2024 | tahmin | | 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | mimari belirtilmemiş | | 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | mimari belirtilmemiş | | 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | mimari belirtilmemiş | | 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | mimari belirtilmemiş | | 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 181 | KN-LM (Google, 2007) | \~2.1 × 10¹⁰ | | 2007 | tahmin | | 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 183 | RNN for 1B words (Google, 2013) | \~2 × 10¹⁰ | | 2013 | tahmin | | 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | yoğun | | 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | mimari belirtilmemiş | | 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | mimari belirtilmemiş | | 187 | GPT-3.5 Turbo (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | tahmin | | 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | tahmin | | 189 | SPHINX (Shanghai AI Lab, 2023) | \~2 × 10¹⁰ | | 2023 | tahmin | | 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | mimari belirtilmemiş | | 191 | CogAgent (Tsinghua University, 2023) | \~1.8 × 10¹⁰ | | 2023 | tahmin | | 192 | Turing-NLG (Microsoft, 2020) | \~1.7 × 10¹⁰ | | 2020 | tahmin | | 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 194 | PaLI (Google, 2022) | \~1.7 × 10¹⁰ | | 2022 | tahmin | | 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | yoğun | | 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | mimari belirtilmemiş | | 198 | FunSearch (Google DeepMind, 2023) | \~1.5 × 10¹⁰ | | 2023 | tahmin | | 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | mimari belirtilmemiş | | 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | yoğun | | 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | mimari belirtilmemiş | | 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | yoğun | | 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | \~1.3 × 10¹⁰ | | 2023 | tahmin | | 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | yoğun | | 212 | Volcano 13B (Korea University, 2023) | \~1.3 × 10¹⁰ | | 2023 | tahmin | | 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | \~1.3 × 10¹⁰ | | 2024 | tahmin | | 214 | Kaiju Small (Character.ai, 2025) | \~1.3 × 10¹⁰ | | 2025 | tahmin | | 215 | ByT5-XXL (Google, 2021) | \~1.3 × 10¹⁰ | | 2021 | tahmin | | 216 | CoRe (Tsinghua University, 2023) | \~1.2 × 10¹⁰ | | 2023 | tahmin | | 217 | DALL-E (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | tahmin | | 218 | Codex (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | tahmin | | 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | yoğun | | 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | yoğun | | 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | mimari belirtilmemiş | | 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | mimari belirtilmemiş | | 223 | CoEdiT-xxl (University of Minnesota, 2023) | \~1.1 × 10¹⁰ | | 2023 | tahmin | | 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | mimari belirtilmemiş | | 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | mimari belirtilmemiş | | 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | yoğun | | 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | yoğun | | 228 | ERNIE-ViLG (Baidu, 2021) | \~1 × 10¹⁰ | | 2021 | tahmin | | 229 | Qwen-VL (Alibaba, 2023) | \~9.6 × 10⁹ | | 2023 | tahmin | | 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | mimari belirtilmemiş | | 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 232 | CogVideo (Tsinghua University, 2022) | \~9.4 × 10⁹ | | 2022 | tahmin | | 233 | eDiff-I (Nvidia, 2022) | \~9.1 × 10⁹ | | 2022 | tahmin | | 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | mimari belirtilmemiş | | 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 236 | Qwen-Audio-Chat (Alibaba, 2023) | \~8.5 × 10⁹ | | 2023 | tahmin | | 237 | Megatron-LM (Nvidia, 2019) | \~8.3 × 10⁹ | | 2019 | tahmin | | 238 | BigSSL (Google, 2021) | \~8 × 10⁹ | | 2021 | tahmin | | 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | mimari belirtilmemiş | | 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | yoğun | | 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 242 | Imagen (Google Brain, 2022) | \~7.8 × 10⁹ | | 2022 | tahmin | | 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | mimari belirtilmemiş | | 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | mimari belirtilmemiş | | 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | mimari belirtilmemiş | | 246 | mPLUG-Owl2 (Alibaba, 2023) | \~7.1 × 10⁹ | | 2023 | tahmin | | 247 | Goat-7B (National University of Singapore, 2023) | \~7 × 10⁹ | | 2023 | tahmin | | 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | yoğun | | 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | yoğun | | 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | yoğun | | 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | mimari belirtilmemiş | | 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | mimari belirtilmemiş | | 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | \~7 × 10⁹ | | 2025 | tahmin | | 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | mimari belirtilmemiş | | 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | mimari belirtilmemiş | | 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | mimari belirtilmemiş | | 257 | GPipe (Google, 2018) | \~6 × 10⁹ | | 2018 | tahmin | | 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | yoğun | | 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | mimari belirtilmemiş | | 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | \~6 × 10⁹ | | 2023 | tahmin | | 261 | MolmoAct 2 (Allen Institute for AI, 2026) | \~5.5 × 10⁹ | | 2026 | tahmin | | 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | mimari belirtilmemiş | | 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | mimari belirtilmemiş | | 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | yoğun | | 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | mimari belirtilmemiş | | 267 | CogView (Tsinghua University, 2021) | \~4 × 10⁹ | | 2021 | tahmin | | 268 | Make-A-Scene (Meta AI, 2022) | \~4 × 10⁹ | | 2022 | tahmin | | 269 | ONE-PEACE (Alibaba, 2023) | \~4 × 10⁹ | | 2023 | tahmin | | 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | yoğun | | 271 | DALL·E 2 (OpenAI, 2022) | \~3.5 × 10⁹ | | 2022 | tahmin | | 272 | Stable Diffusion XL (Stability AI, 2023) | \~3.4 × 10⁹ | | 2023 | tahmin | | 273 | MusicGen (Meta AI, 2023) | \~3.4 × 10⁹ | | 2023 | tahmin | | 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | mimari belirtilmemiş | | 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | mimari belirtilmemiş | | 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | mimari belirtilmemiş | | 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | \~3.2 × 10⁹ | | 2016 | tahmin | | 278 | BASIC-L (Google, 2021) | \~3.1 × 10⁹ | | 2021 | tahmin | | 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | mimari belirtilmemiş | | 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | mimari belirtilmemiş | | 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | mimari belirtilmemiş | | 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | mimari belirtilmemiş | | 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | mimari belirtilmemiş | | 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | mimari belirtilmemiş | | 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | mimari belirtilmemiş | | 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | \~2.9 × 10⁹ | | 2018 | tahmin | | 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | yoğun | | 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | yoğun | | 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | mimari belirtilmemiş | | 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | \~2.7 × 10⁹ | | 2022 | tahmin | | 291 | Hybrid H3-2.7B (Stanford University, 2022) | \~2.7 × 10⁹ | | 2022 | tahmin | | 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | mimari belirtilmemiş | | 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | yoğun | | 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | yoğun | | 295 | Nucleotide Transformer (Nvidia, 2023) | \~2.5 × 10⁹ | | 2023 | tahmin | | 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | mimari belirtilmemiş | | 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | mimari belirtilmemiş | | 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | yoğun | | 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | mimari belirtilmemiş | | 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | mimari belirtilmemiş | | 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | mimari belirtilmemiş | | 302 | MuseNet (OpenAI, 2019) | \~2 × 10⁹ | | 2019 | tahmin | | 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | mimari belirtilmemiş | | 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | yoğun | | 305 | BEIT-3 (Microsoft, 2022) | \~1.9 × 10⁹ | | 2022 | tahmin | | 306 | Ankh\_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | mimari belirtilmemiş | | 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | mimari belirtilmemiş | | 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | mimari belirtilmemiş | | 309 | Phenaki (University College London (UCL), 2022) | \~1.8 × 10⁹ | | 2022 | tahmin | | 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | mimari belirtilmemiş | | 311 | DistBelief Vision (Google, 2012) | \~1.7 × 10⁹ | | 2012 | tahmin | | 312 | Whisper (OpenAI, 2022) | \~1.6 × 10⁹ | | 2022 | tahmin | | 313 | GPT-2 (OpenAI, 2019) | \~1.5 × 10⁹ | | 2019 | tahmin | | 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | mimari belirtilmemiş | | 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | mimari belirtilmemiş | | 316 | AudioLM (Google Research, 2023) | \~1.5 × 10⁹ | | 2023 | tahmin | | 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | mimari belirtilmemiş | | 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | mimari belirtilmemiş | | 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | yoğun | | 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | mimari belirtilmemiş | | 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | yoğun | | 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | yoğun | | 323 | RDT-1B (Tsinghua University, 2024) | \~1.2 × 10⁹ | | 2024 | tahmin | | 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | mimari belirtilmemiş | | 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | mimari belirtilmemiş | | 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | mimari belirtilmemiş | | 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | mimari belirtilmemiş | | 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | mimari belirtilmemiş | | 329 | Unsupervised High-level Feature Learner (Google, 2012) | \~1 × 10⁹ | | 2012 | tahmin | | 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | yoğun | | 331 | HuBERT (Facebook AI Research, 2021) | \~1 × 10⁹ | | 2021 | tahmin | | 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | yoğun | | 333 | AudioGen (Meta AI, 2023) | \~1 × 10⁹ | | 2023 | tahmin | | 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | mimari belirtilmemiş | | 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | \~9.4 × 10⁸ | | 2013 | tahmin | | 336 | ImageBind (Meta AI, 2023) | \~9.3 × 10⁸ | | 2023 | tahmin | | 337 | Big Transfer (Google Brain, 2019) | \~9.3 × 10⁸ | | 2019 | tahmin | | 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | mimari belirtilmemiş | | 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | mimari belirtilmemiş | | 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | mimari belirtilmemiş | | 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | yoğun | | 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | \~8.3 × 10⁸ | | 2019 | tahmin | | 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | mimari belirtilmemiş | | 344 | Statement Curriculum Learning (OpenAI, 2022) | \~7.7 × 10⁸ | | 2022 | tahmin | | 345 | CodeT5-large (Salesforce, 2022) | \~7.7 × 10⁸ | | 2022 | tahmin | | 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | mimari belirtilmemiş | | 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | mimari belirtilmemiş | | 348 | data2vec (Meta AI, 2022) | \~7.1 × 10⁸ | | 2022 | tahmin | | 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | mimari belirtilmemiş | | 350 | Word2Vec (Google, 2013) | \~6.9 × 10⁸ | | 2013 | tahmin | | 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | mimari belirtilmemiş | | 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | \~6.8 × 10⁸ | | 2023 | tahmin | | 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | mimari belirtilmemiş | | 354 | XLM (Facebook, 2019) | \~6.7 × 10⁸ | | 2019 | tahmin | | 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | yoğun | | 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | mimari belirtilmemiş | | 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | yoğun | | 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | \~6.3 × 10⁸ | | 2021 | tahmin | | 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | yoğun | | 360 | DLDL (University of Oxford, 2016) | \~5.6 × 10⁸ | | 2016 | tahmin | | 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | mimari belirtilmemiş | | 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | mimari belirtilmemiş | | 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | yoğun | | 364 | LUKE (University of Washington, 2020) | \~4.8 × 10⁸ | | 2020 | tahmin | | 365 | EfficientNet-L2 (Google, 2019) | \~4.8 × 10⁸ | | 2019 | tahmin | | 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | yoğun | | 367 | Meta Pseudo Labels (Google Brain, 2021) | \~4.8 × 10⁸ | | 2021 | tahmin | | 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | mimari belirtilmemiş | | 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | yoğun | | 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | yoğun | | 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | mimari belirtilmemiş | | 372 | OntoProtein (Zhejiang University (ZJU), 2022) | \~4.2 × 10⁸ | | 2022 | tahmin | | 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | mimari belirtilmemiş | | 374 | BART-large (Facebook AI, 2019) | \~4.1 × 10⁸ | | 2019 | tahmin | | 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | mimari belirtilmemiş | | 376 | BERT-Large-CAS (Amazon, 2019) | \~4 × 10⁸ | | 2019 | tahmin | | 377 | MoCo (Facebook AI, 2019) | \~3.8 × 10⁸ | | 2019 | tahmin | | 378 | SimCLR (Google Brain, 2020) | \~3.8 × 10⁸ | | 2020 | tahmin | | 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | mimari belirtilmemiş | | 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | yoğun | | 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | mimari belirtilmemiş | | 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | yoğun | | 383 | VALL-E (Microsoft, 2023) | \~3.5 × 10⁸ | | 2023 | tahmin | | 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | yoğun | | 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | yoğun | | 386 | ERNIE-GEN (Baidu, 2020) | \~3.4 × 10⁸ | | 2020 | tahmin | | 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | yoğun | | 388 | ELECTRA (Stanford University, 2020) | \~3.4 × 10⁸ | | 2020 | tahmin | | 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | yoğun | | 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | \~3.4 × 10⁸ | | 2022 | tahmin | | 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | yoğun | | 392 | Fusion in Encoder (Samsung, 2022) | \~3.3 × 10⁸ | | 2022 | tahmin | | 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | yoğun | | 394 | CPC v2 (DeepMind, 2019) | \~3 × 10⁸ | | 2019 | tahmin | | 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | yoğun | | 396 | DDPM-IP (Utrecht University, 2023) | \~3 × 10⁸ | | 2023 | tahmin | | 397 | GNMT (Google, 2016) | \~2.8 × 10⁸ | | 2016 | tahmin | | 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | mimari belirtilmemiş | | 399 | YOLO (University of Washington, 2015) | \~2.7 × 10⁸ | | 2015 | tahmin | | 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | \~2.6 × 10⁸ | | 2019 | tahmin | | 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | yoğun | | 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | \~2.6 × 10⁸ | | 2019 | tahmin | | 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | mimari belirtilmemiş | | 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | mimari belirtilmemiş | | 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | mimari belirtilmemiş | | 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | yoğun | | 407 | S4 (Stanford University, 2021) | \~2.5 × 10⁸ | | 2021 | tahmin | | 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | \~2.5 × 10⁸ | | 2019 | tahmin | | 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | yoğun | | 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | \~2.5 × 10⁸ | | 2021 | tahmin | | 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | yoğun | | 412 | TaLK Convolution (Carleton University, 2020) | \~2.4 × 10⁸ | | 2020 | tahmin | | 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | \~2.4 × 10⁸ | | 2020 | tahmin | | 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | mimari belirtilmemiş | | 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | mimari belirtilmemiş | | 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | mimari belirtilmemiş | | 417 | MetNet (Google, 2020) | \~2.3 × 10⁸ | | 2020 | tahmin | | 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | yoğun | | 419 | CodeT5-base (Salesforce, 2021) | \~2.2 × 10⁸ | | 2021 | tahmin | | 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | yoğun | | 421 | Sandwich Transformer (Allen Institute for AI, 2019) | \~2.1 × 10⁸ | | 2019 | tahmin | | 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | mimari belirtilmemiş | | 423 | Word2Vec (Google, 2013) | \~2.1 × 10⁸ | | 2013 | tahmin | | 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | yoğun | | 425 | DreamerV3 (DeepMind, 2023) | \~2 × 10⁸ | | 2023 | tahmin | | 426 | DL scaling speech (Baidu, 2017) | \~1.9 × 10⁸ | | 2017 | tahmin | | 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | \~1.9 × 10⁸ | | 2019 | tahmin | | 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | yoğun | | 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | yoğun | | 430 | DL scaling LM (Baidu, 2017) | \~1.8 × 10⁸ | | 2017 | tahmin | | 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | mimari belirtilmemiş | | 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | yoğun | | 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | yoğun | | 434 | 4 layer QRNN (Salesforce Research, 2018) | \~1.5 × 10⁸ | | 2018 | tahmin | | 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | \~1.5 × 10⁸ | | 2020 | tahmin | | 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | mimari belirtilmemiş | | 437 | PermuteFormer (Peking University, 2021) | \~1.5 × 10⁸ | | 2021 | tahmin | | 438 | Fragment embedding (Stanford University, 2014) | \~1.4 × 10⁸ | | 2014 | tahmin | | 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | yoğun | | 440 | VGG19 (University of Oxford, 2014) | \~1.4 × 10⁸ | | 2014 | tahmin | | 441 | LRCN (UT Austin, 2014) | \~1.4 × 10⁸ | | 2014 | tahmin | | 442 | Transformer-XL DeFINE (University of Washington, 2019) | \~1.4 × 10⁸ | | 2019 | tahmin | | 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | yoğun | | 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | yoğun | | 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | yoğun | | 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | yoğun | | 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | \~1.4 × 10⁸ | | 2015 | tahmin | | 448 | Template Adaptation (University of Oxford, 2016) | \~1.4 × 10⁸ | | 2016 | tahmin | | 449 | LRR-4X (UC Irvine, 2016) | \~1.4 × 10⁸ | | 2016 | tahmin | | 450 | CMS-RCNN (IEEE, 2016) | \~1.4 × 10⁸ | | 2016 | tahmin | | 451 | QRNN (Salesforce Research, 2018) | \~1.4 × 10⁸ | | 2018 | tahmin | | 452 | Multiresolution CNN (Google, 2014) | \~1.3 × 10⁸ | | 2014 | tahmin | | 453 | FTW (DeepMind, 2018) | \~1.3 × 10⁸ | | 2018 | tahmin | | 454 | Feedback Transformer (LORIA, 2020) | \~1.3 × 10⁸ | | 2020 | tahmin | | 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | yoğun | | 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | yoğun | | 457 | GloVe (Stanford University, 2014) | \~1.2 × 10⁸ | | 2014 | tahmin | | 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | yoğun | | 459 | GPT-1 (OpenAI, 2018) | \~1.2 × 10⁸ | | 2018 | tahmin | | 460 | ContextNet (Google, 2020) | \~1.1 × 10⁸ | | 2020 | tahmin | | 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | yoğun | | 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | mimari belirtilmemiş | | 463 | Contriever (Meta AI, 2021) | \~1.1 × 10⁸ | | 2021 | tahmin | | 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | yoğun | | 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | mimari belirtilmemiş | | 466 | LSTM LM (RWTH Aachen University, 2012) | \~1 × 10⁸ | | 2012 | tahmin | | 467 | ReLU-Speech (Google, 2013) | \~1 × 10⁸ | | 2013 | tahmin | | 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | mimari belirtilmemiş | | 469 | Support Vector Machines (AT&T, 1995) | \~1 × 10⁸ | | 1995 | tahmin | | 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | yoğun | | 471 | MSA Transformer (Facebook AI Research, 2021) | \~1 × 10⁸ | | 2021 | tahmin | | 472 | YOLOX-X (Megvii Inc, 2021) | \~9.9 × 10⁷ | | 2021 | tahmin | | 473 | DeLighT (University of Washington, 2020) | \~9.9 × 10⁷ | | 2020 | tahmin | | 474 | ELMo (University of Washington, 2018) | \~9.4 × 10⁷ | | 2018 | tahmin | | 475 | AlphaFold 2 (DeepMind, 2020) | \~9.3 × 10⁷ | | 2020 | tahmin | | 476 | AlphaMissense (Google DeepMind, 2023) | \~9.3 × 10⁷ | | 2023 | tahmin | | 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | mimari belirtilmemiş | | 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | \~9.2 × 10⁷ | | 2016 | tahmin | | 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | mimari belirtilmemiş | | 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | yoğun | | 481 | NASNet-A (Google Brain, 2017) | \~8.9 × 10⁷ | | 2017 | tahmin | | 482 | CLIP (OpenAI, 2021) | \~8.9 × 10⁷ | | 2021 | tahmin | | 483 | Detic (Meta AI, 2022) | \~8.8 × 10⁷ | | 2022 | tahmin | | 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | yoğun | | 485 | BigBiGAN (Google, 2019) | \~8.6 × 10⁷ | | 2019 | tahmin | | 486 | ViT-Base/32 (Google Brain, 2020) | \~8.6 × 10⁷ | | 2020 | tahmin | | 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | mimari belirtilmemiş | | 488 | CaLM (University of Oxford, 2022) | \~8.6 × 10⁷ | | 2022 | tahmin | | 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | yoğun | | 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | yoğun | | 491 | RBM Image Classifier (University of Toronto, 2009) | \~8 × 10⁷ | | 2009 | tahmin | | 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | yoğun | | 493 | Big-Little Net (IBM, 2018) | \~7.7 × 10⁷ | | 2018 | tahmin | | 494 | EfficientDet (Google Brain, 2020) | \~7.7 × 10⁷ | | 2020 | tahmin | | 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | mimari belirtilmemiş | | 496 | RNN LM (Johns Hopkins University, 2010) | \~7 × 10⁷ | | 2010 | tahmin | | 497 | R-CNN (University of California (UC) Berkeley, 2013) | \~6.9 × 10⁷ | | 2013 | tahmin | | 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | yoğun | | 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | yoğun | | 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | yoğun | | 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | yoğun | | 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | yoğun | | 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | yoğun | | 504 | YOLOv3 (University of Washington, 2018) | \~5.7 × 10⁷ | | 2018 | tahmin | | 505 | Inception-ResNet-V2 (Google, 2016) | \~5.6 × 10⁷ | | 2016 | tahmin | | 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | yoğun | | 507 | Meyve sineği beyni | 5.5 × 10⁷ | 5.5 × 10⁷ | | sinaps | | 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | yoğun | | 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | yoğun | | 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | yoğun | | 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | yoğun | | 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | yoğun | | 513 | YOLOv2 (University of Washington, 2016) | \~5.1 × 10⁷ | | 2016 | tahmin | | 514 | Dropout-LSTM+Noise (Columbia University, 2018) | \~5.1 × 10⁷ | | 2018 | tahmin | | 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | \~5 × 10⁷ | | 2017 | tahmin | | 516 | Dropout (University of Toronto, 2012) | \~4.9 × 10⁷ | | 2012 | tahmin | | 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | yoğun | | 518 | DistBelief Speech (Google, 2012) | \~4.7 × 10⁷ | | 2012 | tahmin | | 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | yoğun | | 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | yoğun | | 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | yoğun | | 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | yoğun | | 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | yoğun | | 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | yoğun | | 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | yoğun | | 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | yoğun | | 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | yoğun | | 528 | PreTrans-3L-250H (University of Toronto, 2013) | \~4.3 × 10⁷ | | 2013 | tahmin | | 529 | Inceptionv4 (Google, 2016) | \~4.3 × 10⁷ | | 2016 | tahmin | | 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | yoğun | | 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | yoğun | | 532 | NASv3 (Google Brain, 2016) | \~3.7 × 10⁷ | | 2016 | tahmin | | 533 | MuZero (DeepMind, 2019) | \~3.7 × 10⁷ | | 2019 | tahmin | | 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | \~3.5 × 10⁷ | | 2017 | tahmin | | 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | yoğun | | 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | yoğun | | 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | yoğun | | 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | yoğun | | 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | mimari belirtilmemiş | | 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | mimari belirtilmemiş | | 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | yoğun | | 542 | RetinaNet-R50 (Facebook AI Research, 2017) | \~3.4 × 10⁷ | | 2017 | tahmin | | 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | \~3.4 × 10⁷ | | 2017 | tahmin | | 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | \~3.4 × 10⁷ | | 2019 | tahmin | | 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | yoğun | | 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | yoğun | | 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~3.2 × 10⁷ | | 2019 | tahmin | | 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | yoğun | | 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | yoğun | | 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | yoğun | | 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | \~2.8 × 10⁷ | | 2019 | tahmin | | 552 | SENet (Chinese Academy of Sciences, 2017) | \~2.8 × 10⁷ | | 2017 | tahmin | | 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | yoğun | | 554 | Fractional Max-Pooling (University of Warwick, 2014) | \~2.7 × 10⁷ | | 2014 | tahmin | | 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | mimari belirtilmemiş | | 556 | RNN-WER (DeepMind, 2014) | \~2.6 × 10⁷ | | 2014 | tahmin | | 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | yoğun | | 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | \~2.6 × 10⁷ | | 2017 | tahmin | | 559 | ResNeXt-50 (University of California San Diego, 2016) | \~2.5 × 10⁷ | | 2016 | tahmin | | 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | yoğun | | 561 | Inception v3 (Google, 2015) | \~2.4 × 10⁷ | | 2015 | tahmin | | 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | mimari belirtilmemiş | | 563 | WeNet (Amazon, 2019) | \~2.3 × 10⁷ | | 2019 | tahmin | | 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | \~2.3 × 10⁷ | | 2019 | tahmin | | 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | yoğun | | 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | yoğun | | 567 | MetaMimic (Google, 2018) | \~2.2 × 10⁷ | | 2018 | tahmin | | 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~2.1 × 10⁷ | | 2019 | tahmin | | 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | yoğun | | 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | \~2 × 10⁷ | | 2022 | tahmin | | 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | yoğun | | 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | yoğun | | 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | yoğun | | 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | yoğun | | 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | yoğun | | 576 | MedBERT (Peng Cheng Laboratory, 2021) | \~1.7 × 10⁷ | | 2021 | tahmin | | 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | yoğun | | 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | yoğun | | 579 | AlphaFold (DeepMind, 2020) | \~1.6 × 10⁷ | | 2020 | tahmin | | 580 | GNoME for crystal discovery (Google DeepMind, 2023) | \~1.6 × 10⁷ | | 2023 | tahmin | | 581 | ReLU (University of Toronto, 2010) | \~1.6 × 10⁷ | | 2010 | tahmin | | 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | mimari belirtilmemiş | | 583 | Eve (Harvard Medical School, 2021) | \~1.5 × 10⁷ | | 2021 | tahmin | | 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | yoğun | | 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | yoğun | | 586 | Fold2Seq (IBM, 2021) | \~1.2 × 10⁷ | | 2021 | tahmin | | 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | yoğun | | 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | yoğun | | 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | yoğun | | 590 | ResNet-1001 (Microsoft, 2016) | \~1 × 10⁷ | | 2016 | tahmin | | 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | \~9 × 10⁶ | | 2012 | tahmin | | 592 | Gated HORNN (York University, 2016) | \~9 × 10⁶ | | 2016 | tahmin | | 593 | AlphaGo Fan (DeepMind, 2015) | \~8.2 × 10⁶ | | 2015 | tahmin | | 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | \~8 × 10⁶ | | 2015 | tahmin | | 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | yoğun | | 596 | Multi-cell LSTM (University of Hyderabad, 2018) | \~7.2 × 10⁶ | | 2018 | tahmin | | 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | yoğun | | 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | yoğun | | 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | yoğun | | 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | yoğun | | 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | mimari belirtilmemiş | | 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | yoğun | | 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | yoğun | | 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | yoğun | | 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | yoğun | | 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | yoğun | | 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | yoğun | | 608 | NLP from scratch (NEC Laboratories, 2011) | \~5 × 10⁶ | | 2011 | tahmin | | 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | \~5 × 10⁶ | | 2014 | tahmin | | 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | mimari belirtilmemiş | | 611 | High Performance CNN (IDSIA, 2011) | \~4.9 × 10⁶ | | 2011 | tahmin | | 612 | MobileNet (Google, 2017) | \~4.2 × 10⁶ | | 2017 | tahmin | | 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | yoğun | | 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | yoğun | | 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | yoğun | | 616 | Dimensionality Reduction (University of Toronto, 2006) | \~3.8 × 10⁶ | | 2006 | tahmin | | 617 | GOAT (DeepMind, 2021) | \~3.5 × 10⁶ | | 2021 | tahmin | | 618 | MobileNetV2 (Google, 2018) | \~3.4 × 10⁶ | | 2018 | tahmin | | 619 | Big-Little Net (IBM, 2018) | \~3.3 × 10⁶ | | 2018 | tahmin | | 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | mimari belirtilmemiş | | 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | yoğun | | 622 | DeepStack (University of Alberta, 2017) | \~2.5 × 10⁶ | | 2017 | tahmin | | 623 | KataGo (Jane Street, 2019) | \~2.5 × 10⁶ | | 2019 | tahmin | | 624 | ShuffleNet v1 (Megvii Inc, 2017) | \~2.4 × 10⁶ | | 2017 | tahmin | | 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | yoğun | | 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | mimari belirtilmemiş | | 627 | LSTM+NeuralCache (KU Leuven, 2018) | \~2.1 × 10⁶ | | 2018 | tahmin | | 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | yoğun | | 629 | ResNet-110 (Microsoft, 2015) | \~1.7 × 10⁶ | | 2015 | tahmin | | 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | yoğun | | 631 | DQN-2015 (Google, 2015) | \~1.7 × 10⁶ | | 2015 | tahmin | | 632 | Rational DQN Average (TU Darmstadt, 2021) | \~1.7 × 10⁶ | | 2021 | tahmin | | 633 | IBM-5 (IBM, 1993) | \~1.7 × 10⁶ | | 1993 | tahmin | | 634 | Deep Belief Nets (University of Toronto, 2006) | \~1.6 × 10⁶ | | 2006 | tahmin | | 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | yoğun | | 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | mimari belirtilmemiş | | 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | \~1.5 × 10⁶ | | 2008 | tahmin | | 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | yoğun | | 639 | CNN committee (IDSIA, 2011) | \~1.4 × 10⁶ | | 2011 | tahmin | | 640 | SqueezeNet (DeepScale, 2016) | \~1.2 × 10⁶ | | 2016 | tahmin | | 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | yoğun | | 642 | CURL (University of California (UC) Berkeley, 2020) | \~9.1 × 10⁵ | | 2020 | tahmin | | 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | yoğun | | 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | yoğun | | 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | yoğun | | 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | yoğun | | 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | \~7.1 × 10⁵ | | 2014 | tahmin | | 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | mimari belirtilmemiş | | 649 | LISSOM (University of Texas at Austin, 1995) | \~4.3 × 10⁵ | | 1995 | tahmin | | 650 | SPIDER2 (Griffith University, 2016) | \~4.1 × 10⁵ | | 2016 | tahmin | | 651 | Mixture of linear models (, 1994) | \~3.8 × 10⁵ | | 1994 | tahmin | | 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | yoğun | | 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | yoğun | | 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | yoğun | | 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | yoğun | | 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | yoğun | | 657 | HyperNEAT (University of Texas at Austin, 2014) | \~2.4 × 10⁵ | | 2014 | tahmin | | 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | yoğun | | 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | yoğun | | 660 | Table Tennis Agent (Google DeepMind, 2024) | \~1.9 × 10⁵ | | 2024 | tahmin | | 661 | CNN Committee (IDSIA, 2011) | \~1.3 × 10⁵ | | 2011 | tahmin | | 662 | CNN Committee (IDSIA, 2011) | \~1.2 × 10⁵ | | 2011 | tahmin | | 663 | RECONTRA-uncategorized (, 1999) | \~1.1 × 10⁵ | | 1999 | tahmin | | 664 | BLSTM for handwriting (University of Bern, 2007) | \~1 × 10⁵ | | 2007 | tahmin | | 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | yoğun | | 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | yoğun | | 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | yoğun | | 668 | NeuroChess (, 1994) | \~7.2 × 10⁴ | | 1994 | tahmin | | 669 | RECONTRA-categorized (, 1999) | \~6.7 × 10⁴ | | 1999 | tahmin | | 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | yoğun | | 671 | Swift (Intel Labs, 2023) | \~5.7 × 10⁴ | | 2023 | tahmin | | 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | yoğun | | 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | yoğun | | 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | yoğun | | 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | yoğun | | 676 | TD-Gammon (IBM, 1992) | \~2.5 × 10⁴ | | 1992 | tahmin | | 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | yoğun | | 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | yoğun | | 679 | CFSS (SenseTime, 2015) | \~1.7 × 10⁴ | | 2015 | tahmin | | 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | yoğun | | 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | yoğun | | 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | \~1.3 × 10⁴ | | 1997 | tahmin | | 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | \~1.2 × 10⁴ | | 2001 | tahmin | | 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | yoğun | | 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | yoğun | | 686 | Hopfield network (California Institute of Technology, 1982) | \~9.9 × 10³ | | 1982 | tahmin | | 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | yoğun | | 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | \~9.3 × 10³ | | 1984 | tahmin | | 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | yoğun | | 690 | Deep Blue (IBM, 1997) | \~8 × 10³ | | 1997 | tahmin | | 691 | Nematod (C. elegans) | 7 × 10³ | 7 × 10³ | | sinaps | | 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | yoğun | | 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | yoğun | | 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | yoğun | | 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | yoğun | | 696 | JPMAX (, 1994) | \~4.4 × 10³ | | 1994 | tahmin | | 697 | Kohonen network (Helsinki University of Technology, 1981) | \~4.1 × 10³ | | 1981 | tahmin | | 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | yoğun | | 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | \~2.6 × 10³ | | 1959 | tahmin | | 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | yoğun | | 701 | Boosting (Bell Laboratories, 1992) | \~2.6 × 10³ | | 1992 | tahmin | | 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | yoğun | | 703 | LTE speaker verification system (IBM, 1966) | \~2.1 × 10³ | | 1966 | tahmin | | 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | \~1.9 × 10³ | | 1994 | tahmin | | 705 | SexNet classification (, 1990) | \~1.6 × 10³ | | 1990 | tahmin | | 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | yoğun | | 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | \~1 × 10³ | | 2010 | tahmin | | 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | \~1 × 10³ | | 1957 | tahmin | | 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | \~1 × 10³ | | 1960 | tahmin | | 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | uzmanlar karışımı (etkin sayı yayımlanmamış) | | 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | yoğun | | 712 | Siamese-TDNN (Bell Laboratories, 1993) | \~7.4 × 10² | | 1993 | tahmin | | 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | yoğun | | 714 | Cancer drug mechanism prediction (National Cancer Institute, 1992) | \~5.9 × 10² | | 1992 | tahmin | | 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | yoğun | | 716 | Piecewise linear model (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | yoğun | | 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | \~3.2 × 10² | | 1983 | tahmin | | 718 | LSTM with forget gates (IDSIA, 1999) | \~2.8 × 10² | | 1999 | tahmin | | 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | \~2.3 × 10² | | 1955 | tahmin | | 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | yoğun | | 721 | SNARC (Harvard University, 1952) | \~4 × 10¹ | | 1952 | tahmin | | 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | yoğun | | 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | yoğun | | 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | yoğun | | 725 | Samuel Neural Checkers (IBM, 1959) | \~1.6 × 10¹ | | 1959 | tahmin | ## Kolektifler Bu grafikler hayvan topluluklarını, dinleri, devletleri, partileri ve şirketleri iki biçimde sıralar. Biri üye sayısıdır. Diğeri nöron eşdeğeridir; bu, her üyeyi, grubun talimatlarının onun uyanık zamanının ne kadarını yönlendirdiğine göre ağırlıklandırır. Dinî kurallar, yasalar, parti tüzükleri ve iş tanımları hep aynı biçimde sayılır. Hepsi birer talimatlar kümesidir, bu yüzden hepsini aynı kuralla ölçeriz. [Yönlendirilmiş zaman nasıl tahmin edilir](https://simulation-hypothesis.com/tr/entities/control). ## Hayvan toplulukları: eşgüdümlü grup etkinliğindeki nöronlar Gruptaki nöronlar Grup etkinliğinde Tipik bir grubun üyeleri × her üyenin korteksindeki ya da palyumundaki nöronlar (böceklerde bütün beyin), logaritmik ölçekte. Taralı çubuklar tahmini bir grup büyüklüğü ya da akraba bir türün nöron sayısını kullanır. 1. Şempanze topluluğu▲1 7.4 × 10¹¹ 2. Yaprak kesen karınca kolonisi▼1 6.3 × 10¹¹ 3. Bonobo topluluğu▲2 4.4 × 10¹¹ 4. Hadza kampı (insanlar, ölçek için) 4.1 × 10¹¹ 5. Bigg’s orka grubu▼2 2.6 × 10¹¹ 6. Yerleşik orka anasoyu 2.4 × 10¹¹ 7. Babun sürüsü 8.6 × 10¹⁰ 8. Şişe burunlu yunus ittifakı▲1 7.6 × 10¹⁰ 9. İspermeçet balinası sosyal birimi▲1 6.4 × 10¹⁰ 10. Bal arısı kolonisi▼2 5.8 × 10¹⁰ 11. Fil ailesi 5.6 × 10¹⁰ 12. Çam alakargası sürüsü 5.3 × 10¹⁰ 13. Benekli sırtlan klanı 2.2 × 10¹⁰ 14. Afrika yaban köpeği sürüsü 7.2 × 10⁹ 15. Kurt sürüsü 4.2 × 10⁹ 16. Mirket grubu 1.7 × 10⁹ 17. Çıplak köstebek faresi kolonisi 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons Sayıları göster | # | Grup | Gruptaki nöronlar | Grup etkinliğinde | Üyeler | Yönlendirilen pay | Çağrı türleri | | -- | ---------------------------------- | ----------------- | ----------------- | ---------- | ----------------- | ------------- | | 1 | Şempanze topluluğu | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — | | 2 | Yaprak kesen karınca kolonisi | 6.3 × 10¹¹ | 5 × 10¹¹ | 2,5 milyon | 80% | — | | 3 | Bonobo topluluğu | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — | | 4 | Hadza kampı (insanlar, ölçek için) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — | | 5 | Bigg’s orka grubu | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — | | 6 | Yerleşik orka anasoyu | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 | | 7 | Babun sürüsü | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 | | 8 | Şişe burunlu yunus ittifakı | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — | | 9 | İspermeçet balinası sosyal birimi | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — | | 10 | Bal arısı kolonisi | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — | | 11 | Fil ailesi | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — | | 12 | Çam alakargası sürüsü | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — | | 13 | Benekli sırtlan klanı | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 | | 14 | Afrika yaban köpeği sürüsü | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 | | 15 | Kurt sürüsü | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — | | 16 | Mirket grubu | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 | | 17 | Çıplak köstebek faresi kolonisi | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — | [Gruplar nasıl puanlanır](https://simulation-hypothesis.com/tr/entities/control). ## Dinler: üyeler ve talimatlarını izleyen nöronlar Üyeler Talimatlarını izleyerek Bütün dinler Mezhepler ve akımlar Mensuplar, logaritmik ölçekte. Mezhepler ve akımlar, onları içeren dinlerden ayrı gösterilir. Dolu çubuklar sayımları, taralı çubuklar tahminleri gösterir. 1. Hristiyanlık▲1 2,27 milyar 2. İslam▼1 2,02 milyar 3. Hinduizm 1,18 milyar 4. Halk dinleri 400 milyon 5. Budizm 324,19 milyon 6. Geleneksel Afrika dinleri▲1 98,73 milyon 7. Şinto▲1 87,92 milyon 8. Sihizm▲1 25 milyon 9. Yahudilik▼3 14,78 milyon 10. Taoculuk▲1 8 milyon 11. Bahailik▲1 8 milyon 12. Falun Gong▲1 7 milyon 13. Jainizm▼3 4,45 milyon 14. Spiritizm 3,8 milyon 15. Cao Đài 2,5 milyon 16. Tenrikyo 1,12 milyon 17. Brahma Kumaris 1 milyon 10^5 10^6 10^7 10^8 10^9 10^10 üyeler Sayıları göster | # | Din | Üyeler | Talimatlarını izleyerek | Yönlendirilen pay | Haftalık saat | | -- | ------------------------- | ------------- | ----------------------- | ------------------ | ------------- | | 1 | Hristiyanlık | 2,27 milyar | 1.7 × 10¹⁸ | 0.88% | 0.9 h | | 2 | İslam | 2,02 milyar | 8.9 × 10¹⁸ | 5.1% | 5.4 h | | 3 | Hinduizm | 1,18 milyar | 1.6 × 10¹⁸ | 1.6% | 1.6 h | | 4 | Halk dinleri | 400 milyon | 2 × 10¹⁷ | 0.59% (vekil veri) | 0.6 h | | 5 | Budizm | 324,19 milyon | 7.5 × 10¹⁶ | 0.27% | 0.3 h | | 6 | Geleneksel Afrika dinleri | 98,73 milyon | 5 × 10¹⁶ | 0.59% (vekil veri) | 0.6 h | | 7 | Şinto | 87,92 milyon | 4.5 × 10¹⁶ | 0.59% (vekil veri) | 0.6 h | | 8 | Sihizm | 25 milyon | 3.7 × 10¹⁶ | 1.7% | 1.8 h | | 9 | Yahudilik | 14,78 milyon | 5.3 × 10¹⁶ | 4.2% | 4.4 h | | 10 | Taoculuk | 8 milyon | 4.1 × 10¹⁵ | 0.59% (vekil veri) | 0.6 h | | 11 | Bahailik | 8 milyon | 4.1 × 10¹⁵ | 0.59% (vekil veri) | 0.6 h | | 12 | Falun Gong | 7 milyon | 3.6 × 10¹⁵ | 0.59% (vekil veri) | 0.6 h | | 13 | Jainizm | 4,45 milyon | 1.8 × 10¹⁶ | 4.6% | 4.8 h | | 14 | Spiritizm | 3,8 milyon | 1.9 × 10¹⁵ | 0.59% (vekil veri) | 0.6 h | | 15 | Cao Đài | 2,5 milyon | 1.3 × 10¹⁵ | 0.59% (vekil veri) | 0.6 h | | 16 | Tenrikyo | 1,12 milyon | 5.7 × 10¹⁴ | 0.59% (vekil veri) | 0.6 h | | 17 | Brahma Kumaris | 1 milyon | 5.1 × 10¹⁴ | 0.59% (vekil veri) | 0.6 h | [Her uygulama, pay ve kaynak](https://simulation-hypothesis.com/tr/entities/control). ## Devletler: nüfus ve talimatlarını izleyen nöronlar Sakinler Talimatlarını izleyerek Tümü Avrupa ve Orta Asya Doğu Asya ve Pasifik Güney Asya Kuzey Amerika Latin Amerika ve Karayipler Orta Doğu, Kuzey Afrika, Afganistan ve Pakistan Sahra Altı Afrika Nüfus, logaritmik ölçekte. Dolu çubuklar sayımları, taralı çubuklar tahminleri gösterir. 1. Hindistan▲1 1,46 milyar 2. Çin▼1 1,41 milyar 3. Amerika Birleşik Devletleri 341,78 milyon 4. Endonezya 285,72 milyon 5. Pakistan▲5 255,22 milyon 6. Nijerya▲1 237,53 milyon 7. Brezilya▼2 212,81 milyon 8. Bangladeş▲5 175,69 milyon 9. Rusya▼3 143,51 milyon 10. Etiyopya▲7 135,47 milyon 11. Meksika▼2 131,95 milyon 12. Japonya▲11 123,37 milyon 13. Mısır▼2 118,37 milyon 14. Filipinler 116,79 milyon 15. Demokratik Kongo Cumhuriyeti▼3 112,83 milyon Tüm 196 tanesini göster 10^4 10^6 10^8 10^10 sakinler Sayıları göster | # | Devlet | Sakinler | Talimatlarını izleyerek | Yönlendirilen pay | Haftalık saat | | --- | ---------------------------- | ------------- | ----------------------- | ----------------- | ------------- | | 1 | Hindistan | 1,46 milyar | 2.5 × 10¹⁸ | 2% | 2.1 h | | 2 | Çin | 1,41 milyar | 5 × 10¹⁸ | 4.1% | 4.3 h | | 3 | Amerika Birleşik Devletleri | 341,78 milyon | 1.6 × 10¹⁸ | 5.6% | 5.8 h | | 4 | Endonezya | 285,72 milyon | 1 × 10¹⁸ | 4.2% | 4.4 h | | 5 | Pakistan | 255,22 milyon | 5.7 × 10¹⁷ | 2.6% | 2.7 h | | 6 | Nijerya | 237,53 milyon | 6.6 × 10¹⁷ | 3.2% | 3.4 h | | 7 | Brezilya | 212,81 milyon | 8.7 × 10¹⁷ | 4.8% | 5 h | | 8 | Bangladeş | 175,69 milyon | 4.6 × 10¹⁷ | 3% | 3.1 h | | 9 | Rusya | 143,51 milyon | 7.5 × 10¹⁷ | 6.1% | 6.4 h | | 10 | Etiyopya | 135,47 milyon | 3.9 × 10¹⁷ | 3.4% | 3.5 h | | 11 | Meksika | 131,95 milyon | 5.9 × 10¹⁷ | 5.2% | 5.5 h | | 12 | Japonya | 123,37 milyon | 2.8 × 10¹⁷ | 2.7% | 2.8 h | | 13 | Mısır | 118,37 milyon | 5.5 × 10¹⁷ | 5.4% | 5.7 h | | 14 | Filipinler | 116,79 milyon | 4.4 × 10¹⁷ | 4.4% | 4.6 h | | 15 | Demokratik Kongo Cumhuriyeti | 112,83 milyon | 4.7 × 10¹⁷ | 4.8% | 5.1 h | | 16 | Vietnam | 101,6 milyon | 4.2 × 10¹⁷ | 4.8% | 5 h | | 17 | İran | 92,42 milyon | 3.5 × 10¹⁷ | 4.3% | 4.6 h | | 18 | Türkiye | 85,88 milyon | 4.3 × 10¹⁷ | 5.8% | 6 h | | 19 | Almanya | 83,49 milyon | 2.9 × 10¹⁷ | 4% | 4.2 h | | 20 | Tayland | 71,62 milyon | 2.4 × 10¹⁷ | 3.9% | 4.1 h | | 21 | Tanzanya | 70,55 milyon | 2.2 × 10¹⁷ | 3.6% | 3.8 h | | 22 | Birleşik Krallık | 69,49 milyon | 2.8 × 10¹⁷ | 4.6% | 4.8 h | | 23 | Fransa | 68,72 milyon | 3.1 × 10¹⁷ | 5.3% | 5.5 h | | 24 | Güney Afrika | 64,75 milyon | 2.9 × 10¹⁷ | 5.1% | 5.4 h | | 25 | İtalya | 58,92 milyon | 2.1 × 10¹⁷ | 4.2% | 4.4 h | | 26 | Kenya | 57,53 milyon | 2.3 × 10¹⁷ | 4.7% | 5 h | | 27 | Myanmar | 54,85 milyon | 1.9 × 10¹⁷ | 4% | 4.2 h | | 28 | Kolombiya | 53,43 milyon | 1.7 × 10¹⁷ | 3.7% | 3.9 h | | 29 | Güney Kore | 51,68 milyon | 1.4 × 10¹⁷ | 3% | 3.2 h | | 30 | Sudan | 51,66 milyon | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 31 | Uganda | 51,38 milyon | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 32 | İspanya | 49,36 milyon | 1.8 × 10¹⁷ | 4.2% | 4.3 h | | 33 | Cezayir | 47,44 milyon | 3.2 × 10¹⁷ | 7.9% | 8.3 h | | 34 | Irak | 47,02 milyon | 1.1 × 10¹⁷ | 2.8% | 2.9 h | | 35 | Arjantin | 45,85 milyon | 1.7 × 10¹⁷ | 4.4% | 4.6 h | | 36 | Afganistan | 43,84 milyon | 1.8 × 10¹⁷ | 4.8% | 5 h | | 37 | Yemen | 41,77 milyon | 1.3 × 10¹⁷ | 3.7% | 3.9 h | | 38 | Kanada | 41,65 milyon | 2 × 10¹⁷ | 5.5% | 5.8 h | | 39 | Angola | 39,04 milyon | 1.4 × 10¹⁷ | 4.2% | 4.4 h | | 40 | Ukrayna | 38,98 milyon | 2.1 × 10¹⁷ | 6.2% | 6.5 h | | 41 | Fas | 38,43 milyon | 1.5 × 10¹⁷ | 4.5% | 4.7 h | | 42 | Özbekistan | 37,05 milyon | 2 × 10¹⁷ | 6.3% | 6.6 h | | 43 | Suudi Arabistan | 36,97 milyon | 1.4 × 10¹⁷ | 4.3% | 4.6 h | | 44 | Polonya | 36,44 milyon | 2.1 × 10¹⁷ | 6.7% | 7 h | | 45 | Malezya | 35,98 milyon | 1.8 × 10¹⁷ | 5.8% | 6.1 h | | 46 | Mozambik | 35,63 milyon | 1.5 × 10¹⁷ | 4.8% | 5.1 h | | 47 | Gana | 35,06 milyon | 1.2 × 10¹⁷ | 3.9% | 4.1 h | | 48 | Peru | 34,58 milyon | 1.4 × 10¹⁷ | 4.8% | 5 h | | 49 | Madagaskar | 32,74 milyon | 9.4 × 10¹⁶ | 3.3% | 3.5 h | | 50 | Fildişi Sahili | 32,71 milyon | 9.5 × 10¹⁶ | 3.4% | 3.5 h | | 51 | Kamerun | 29,88 milyon | 9.8 × 10¹⁶ | 3.8% | 4 h | | 52 | Nepal | 29,62 milyon | 1.1 × 10¹⁷ | 4.2% | 4.4 h | | 53 | Venezuela | 28,52 milyon | 1.5 × 10¹⁷ | 6.1% | 6.4 h | | 54 | Nijer | 27,92 milyon | 6.4 × 10¹⁶ | 2.6% | 2.8 h | | 55 | Avustralya | 27,61 milyon | 1.1 × 10¹⁷ | 4.7% | 5 h | | 56 | Kuzey Kore | 26,57 milyon | 6.6 × 10¹⁷ | 29% | 30.1 h | | 57 | Suriye | 25,62 milyon | 9.8 × 10¹⁶ | 4.4% | 4.6 h | | 58 | Mali | 25,2 milyon | 4.9 × 10¹⁶ | 2.3% | 2.4 h | | 59 | Burkina Faso | 24,07 milyon | 5.7 × 10¹⁶ | 2.8% | 2.9 h | | 60 | Tayvan | 23,31 milyon | 1 × 10¹⁷ | 5% | 5.3 h | | 61 | Malavi | 22,22 milyon | 1 × 10¹⁷ | 5.4% | 5.6 h | | 62 | Zambiya | 21,91 milyon | 10 × 10¹⁶ | 5.3% | 5.5 h | | 63 | Sri Lanka | 21,76 milyon | 1.1 × 10¹⁷ | 6% | 6.3 h | | 64 | Çad | 21 milyon | 4.9 × 10¹⁶ | 2.7% | 2.9 h | | 65 | Kazakistan | 20,84 milyon | 1.4 × 10¹⁷ | 7.6% | 7.9 h | | 66 | Şili | 19,86 milyon | 6.2 × 10¹⁶ | 3.6% | 3.8 h | | 67 | Somali | 19,65 milyon | 1.5 × 10¹⁶ | 0.88% | 0.9 h | | 68 | Romanya | 19,02 milyon | 7.5 × 10¹⁶ | 4.6% | 4.8 h | | 69 | Senegal | 18,93 milyon | 5.9 × 10¹⁶ | 3.6% | 3.8 h | | 70 | Guatemala | 18,69 milyon | 6 × 10¹⁶ | 3.7% | 3.9 h | | 71 | Ekvador | 18,29 milyon | 6.6 × 10¹⁶ | 4.2% | 4.4 h | | 72 | Hollanda | 18,09 milyon | 7.6 × 10¹⁶ | 4.9% | 5.1 h | | 73 | Kamboçya | 17,85 milyon | 7.4 × 10¹⁶ | 4.8% | 5.1 h | | 74 | Zimbabve | 16,95 milyon | 6.1 × 10¹⁶ | 4.2% | 4.4 h | | 75 | Gine | 15,1 milyon | 3.1 × 10¹⁶ | 2.4% | 2.5 h | | 76 | Benin | 14,81 milyon | 4.4 × 10¹⁶ | 3.4% | 3.6 h | | 77 | Ruanda | 14,57 milyon | 7 × 10¹⁶ | 5.6% | 5.8 h | | 78 | Burundi | 14,39 milyon | 5.2 × 10¹⁶ | 4.2% | 4.4 h | | 79 | Bolivya | 12,58 milyon | 5.8 × 10¹⁶ | 5.4% | 5.6 h | | 80 | Tunus | 12,35 milyon | 6.4 × 10¹⁶ | 6% | 6.3 h | | 81 | Güney Sudan | 12,19 milyon | 4.4 × 10¹⁶ | 4.2% | 4.4 h | | 82 | Belçika | 11,94 milyon | 4.5 × 10¹⁶ | 4.3% | 4.5 h | | 83 | Haiti | 11,91 milyon | 1.9 × 10¹⁶ | 1.8% | 1.9 h | | 84 | Ürdün | 11,52 milyon | 4.9 × 10¹⁶ | 5% | 5.2 h | | 85 | Dominik Cumhuriyeti | 11,52 milyon | 4.9 × 10¹⁶ | 4.9% | 5.2 h | | 86 | Birleşik Arap Emirlikleri | 11,51 milyon | 3.1 × 10¹⁶ | 3.1% | 3.2 h | | 87 | Honduras | 11,01 milyon | 3.2 × 10¹⁶ | 3.3% | 3.5 h | | 88 | Küba | 10,94 milyon | 1.6 × 10¹⁷ | 17% | 17.4 h | | 89 | Çekya | 10,89 milyon | 5.8 × 10¹⁶ | 6.2% | 6.5 h | | 90 | Portekiz | 10,8 milyon | 5.1 × 10¹⁶ | 5.5% | 5.7 h | | 91 | Tacikistan | 10,79 milyon | 5.3 × 10¹⁶ | 5.7% | 6 h | | 92 | Papua Yeni Gine | 10,76 milyon | 4.3 × 10¹⁶ | 4.6% | 4.8 h | | 93 | İsveç | 10,6 milyon | 6.8 × 10¹⁶ | 7.5% | 7.8 h | | 94 | Yunanistan | 10,41 milyon | 4.9 × 10¹⁶ | 5.4% | 5.7 h | | 95 | Azerbaycan | 10,25 milyon | 6.2 × 10¹⁶ | 7% | 7.4 h | | 96 | İsrail | 10,12 milyon | 6.4 × 10¹⁶ | 7.3% | 7.7 h | | 97 | Macaristan | 9,51 milyon | 5.7 × 10¹⁶ | 6.9% | 7.3 h | | 98 | Avusturya | 9,21 milyon | 2.5 × 10¹⁶ | 3.2% | 3.4 h | | 99 | İsviçre | 9,09 milyon | 3.9 × 10¹⁶ | 5% | 5.3 h | | 100 | Belarus | 9,09 milyon | 7.9 × 10¹⁶ | 10% | 10.6 h | | 101 | Sierra Leone | 8,82 milyon | 4.9 × 10¹⁶ | 6.5% | 6.8 h | | 102 | Togo | 8,59 milyon | 3 × 10¹⁶ | 4% | 4.2 h | | 103 | Laos | 7,87 milyon | 3.2 × 10¹⁶ | 4.8% | 5 h | | 104 | Türkmenistan | 7,62 milyon | 4.2 × 10¹⁶ | 6.5% | 6.8 h | | 105 | Libya | 7,46 milyon | 3.9 × 10¹⁶ | 6.1% | 6.4 h | | 106 | Kırgızistan | 7,34 milyon | 4.1 × 10¹⁶ | 6.5% | 6.8 h | | 107 | Paraguay | 7,01 milyon | 2.9 × 10¹⁶ | 4.8% | 5.1 h | | 108 | Nikaragua | 7,01 milyon | 2.8 × 10¹⁶ | 4.6% | 4.8 h | | 109 | Sırbistan | 6,55 milyon | 4.1 × 10¹⁶ | 7.2% | 7.5 h | | 110 | Kongo Cumhuriyeti | 6,48 milyon | 1.7 × 10¹⁶ | 3% | 3.1 h | | 111 | Bulgaristan | 6,43 milyon | 3.3 × 10¹⁶ | 5.9% | 6.2 h | | 112 | El Salvador | 6,37 milyon | 3.2 × 10¹⁶ | 5.8% | 6.1 h | | 113 | Singapur | 6,11 milyon | 1.9 × 10¹⁶ | 3.6% | 3.7 h | | 114 | Danimarka | 6,01 milyon | 3.9 × 10¹⁶ | 7.6% | 8 h | | 115 | Lübnan | 5,85 milyon | 1.5 × 10¹⁶ | 3% | 3.1 h | | 116 | Liberya | 5,73 milyon | 1.5 × 10¹⁶ | 3.1% | 3.3 h | | 117 | Finlandiya | 5,65 milyon | 3.2 × 10¹⁶ | 6.6% | 6.9 h | | 118 | Norveç | 5,61 milyon | 3.7 × 10¹⁶ | 7.6% | 8 h | | 119 | Orta Afrika Cumhuriyeti | 5,51 milyon | 1.7 × 10¹⁶ | 3.5% | 3.7 h | | 120 | Umman | 5,49 milyon | 2.9 × 10¹⁶ | 6.2% | 6.5 h | | 121 | İrlanda | 5,48 milyon | 3.4 × 10¹⁶ | 7.2% | 7.6 h | | 122 | Slovakya | 5,41 milyon | 3.1 × 10¹⁶ | 6.7% | 7 h | | 123 | Filistin | 5,41 milyon | 2 × 10¹⁶ | 4.3% | 4.5 h | | 124 | Yeni Zelanda | 5,32 milyon | 2.7 × 10¹⁶ | 5.9% | 6.2 h | | 125 | Moritanya | 5,32 milyon | 2 × 10¹⁶ | 4.3% | 4.5 h | | 126 | Kosta Rika | 5,15 milyon | 2.6 × 10¹⁶ | 5.9% | 6.2 h | | 127 | Kuveyt | 4,87 milyon | 2.7 × 10¹⁶ | 6.5% | 6.8 h | | 128 | Panama | 4,57 milyon | 2.3 × 10¹⁶ | 5.9% | 6.2 h | | 129 | Gürcistan | 3,94 milyon | 2.1 × 10¹⁶ | 6.1% | 6.4 h | | 130 | Hırvatistan | 3,88 milyon | 2.2 × 10¹⁶ | 6.7% | 7 h | | 131 | Eritre | 3,61 milyon | 1.5 × 10¹⁶ | 5% | 5.2 h | | 132 | Moğolistan | 3,57 milyon | 2.2 × 10¹⁶ | 7% | 7.3 h | | 133 | Uruguay | 3,38 milyon | 1.7 × 10¹⁶ | 5.9% | 6.2 h | | 134 | Bosna-Hersek | 3,14 milyon | 1.6 × 10¹⁶ | 5.9% | 6.2 h | | 135 | Namibya | 3,09 milyon | 1.8 × 10¹⁶ | 6.9% | 7.2 h | | 136 | Ermenistan | 3,09 milyon | 1.7 × 10¹⁶ | 6.5% | 6.8 h | | 137 | Katar | 2,97 milyon | 9.6 × 10¹⁵ | 3.8% | 3.9 h | | 138 | Litvanya | 2,89 milyon | 1.8 × 10¹⁶ | 7.4% | 7.7 h | | 139 | Jamaika | 2,84 milyon | 1.2 × 10¹⁶ | 5% | 5.2 h | | 140 | Gambiya | 2,82 milyon | 1.1 × 10¹⁶ | 4.5% | 4.7 h | | 141 | Gabon | 2,59 milyon | 9.9 × 10¹⁵ | 4.4% | 4.6 h | | 142 | Botsvana | 2,56 milyon | 1.3 × 10¹⁶ | 5.7% | 6 h | | 143 | Lesotho | 2,36 milyon | 9.5 × 10¹⁵ | 4.7% | 4.9 h | | 144 | Moldova | 2,36 milyon | 1.5 × 10¹⁶ | 7.3% | 7.6 h | | 145 | Arnavutluk | 2,35 milyon | 1.2 × 10¹⁶ | 5.7% | 6 h | | 146 | Gine-Bissau | 2,25 milyon | 5.7 × 10¹⁵ | 2.9% | 3.1 h | | 147 | Slovenya | 2,13 milyon | 1.2 × 10¹⁶ | 6.6% | 6.9 h | | 148 | Ekvator Ginesi | 1,94 milyon | 4 × 10¹⁵ | 2.4% | 2.5 h | | 149 | Letonya | 1,85 milyon | 1.2 × 10¹⁶ | 7.6% | 7.9 h | | 150 | Kuzey Makedonya | 1,82 milyon | 9.2 × 10¹⁵ | 5.9% | 6.2 h | | 151 | Bahreyn | 1,6 milyon | 5.9 × 10¹⁵ | 4.3% | 4.5 h | | 152 | Kosova | 1,58 milyon | 8 × 10¹⁵ | 5.9% | 6.2 h | | 153 | Doğu Timor | 1,42 milyon | 8 × 10¹⁵ | 6.6% | 6.9 h | | 154 | Kıbrıs | 1,37 milyon | 5.5 × 10¹⁵ | 4.7% | 4.9 h | | 155 | Trinidad ve Tobago | 1,37 milyon | 9.3 × 10¹⁵ | 7.9% | 8.2 h | | 156 | Estonya | 1,37 milyon | 8.3 × 10¹⁵ | 7% | 7.4 h | | 157 | Esvatini | 1,26 milyon | 7.5 × 10¹⁵ | 6.9% | 7.2 h | | 158 | Mauritius | 1,24 milyon | 5.1 × 10¹⁵ | 4.8% | 5 h | | 159 | Cibuti | 1,18 milyon | 4.6 × 10¹⁵ | 4.5% | 4.8 h | | 160 | Fiji | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h | | 161 | Komorlar | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h | | 162 | Solomon Adaları | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h | | 163 | Guyana | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h | | 164 | Butan | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h | | 165 | Lüksemburg | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h | | 166 | Surinam | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h | | 167 | Karadağ | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h | | 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h | | 169 | Maldivler | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h | | 170 | Yeşil Burun Adaları | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h | | 171 | Brunei | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h | | 172 | Belize | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h | | 173 | Bahamalar | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h | | 174 | İzlanda | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h | | 175 | Vanuatu | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h | | 176 | Barbados | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h | | 177 | São Tomé ve Príncipe | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h | | 178 | Samoa | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h | | 179 | Saint Lucia | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h | | 180 | Kiribati | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h | | 181 | Seyşeller | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h | | 182 | Grenada | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h | | 183 | Mikronezya | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h | | 184 | Tonga | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h | | 185 | Saint Vincent ve Grenadinler | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h | | 186 | Antigua ve Barbuda | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h | | 187 | Andorra | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h | | 188 | Dominika | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h | | 189 | Saint Kitts ve Nevis | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h | | 190 | Lihtenştayn | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h | | 191 | Monako | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h | | 192 | Marshall Adaları | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h | | 193 | San Marino | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h | | 194 | Palau | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h | | 195 | Nauru | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h | | 196 | Tuvalu | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h | [Neyin sayıldığı, neyin sayılmadığı](https://simulation-hypothesis.com/tr/entities/control). ## Siyasi partiler: üyeler ve talimatlarını izleyen nöronlar Üyeler Talimatlarını izleyerek Partinin bildirdiği şekliyle üyeler, logaritmik ölçekte. Dolu çubuklar sayımları, taralı çubuklar tahminleri ya da beyanları gösterir. 1. Bharatiya Janata Party (Hindistan)▲1 140 milyon 2. Çin Komünist Partisi▼1 101,29 milyon 3. Demokrat Parti (ABD)▲13 44,9 milyon 4. Cumhuriyetçi Parti (ABD)▲16 38 milyon 5. Hindistan Ulusal Kongresi▼2 26 milyon 6. AIADMK (Hindistan)▼2 20,04 milyon 7. DMK (Hindistan)▼2 20 milyon 8. Prosperity Party (Etiyopya)▼1 15,7 milyon 9. TVK (Hindistan)▼1 15 milyon 10. Chama Cha Mapinduzi (Tanzanya)▼1 13 milyon 11. All Progressives Congress (Nijerya)▼1 12,9 milyon 12. AK Parti (Türkiye)▼1 11,71 milyon 13. Morena (Meksika)▼1 11,63 milyon 14. Telugu Desam Party (Hindistan)▼1 10,05 milyon 15. Cambodian People’s Party▼1 7 milyon Tüm 59 tanesini göster 10^4 10^5 10^6 10^7 10^8 10^9 üyeler Sayıları göster | # | Parti | Üyeler | Talimatlarını izleyerek | Yönlendirilen pay | Haftalık saat | | -- | ------------------------------------------ | ------------- | ----------------------- | ------------------ | ------------- | | 1 | Bharatiya Janata Party (Hindistan) | 140 milyon | 6.3 × 10¹⁶ | 0.52% (vekil veri) | 0.6 h | | 2 | Çin Komünist Partisi | 101,29 milyon | 8.2 × 10¹⁶ | 0.94% | 1 h | | 3 | Demokrat Parti (ABD) | 44,9 milyon | 2.3 × 10¹⁵ | 0.06% | 0.1 h | | 4 | Cumhuriyetçi Parti (ABD) | 38 milyon | 2 × 10¹⁵ | 0.06% | 0.1 h | | 5 | Hindistan Ulusal Kongresi | 26 milyon | 1.2 × 10¹⁶ | 0.52% (vekil veri) | 0.6 h | | 6 | AIADMK (Hindistan) | 20,04 milyon | 9 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 7 | DMK (Hindistan) | 20 milyon | 9 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 8 | Prosperity Party (Etiyopya) | 15,7 milyon | 7 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 9 | TVK (Hindistan) | 15 milyon | 6.7 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 10 | Chama Cha Mapinduzi (Tanzanya) | 13 milyon | 5.8 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 11 | All Progressives Congress (Nijerya) | 12,9 milyon | 5.8 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 12 | AK Parti (Türkiye) | 11,71 milyon | 5.2 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 13 | Morena (Meksika) | 11,63 milyon | 5.2 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 14 | Telugu Desam Party (Hindistan) | 10,05 milyon | 4.5 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 15 | Cambodian People’s Party | 7 milyon | 3.1 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 16 | Kore İşçi Partisi | 6,18 milyon | 7.6 × 10¹⁵ | 1.4% | 1.5 h | | 17 | FRELIMO (Mozambik) | 6 milyon | 2.7 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 18 | Vietnam Komünist Partisi | 5,6 milyon | 2.1 × 10¹⁵ | 0.44% | 0.5 h | | 19 | Kore Demokrat Partisi | 5 milyon | 2.2 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 20 | People Power Party (Güney Kore) | 4,44 milyon | 2 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 21 | PSUV (Venezuela) | 4,24 milyon | 1.9 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 22 | ZANU-PF (Zimbabve) | 4,06 milyon | 1.8 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 23 | UMNO (Malezya) | 3,25 milyon | 1.5 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 24 | Justicialist Party (Arjantin) | 3,1 milyon | 1.4 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 25 | Colorado Party (Paraguay) | 3 milyon | 1.3 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 26 | Birleşik Rusya | 2,6 milyon | 1.2 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 27 | UzLiDeP (Özbekistan) | 2,31 milyon | 1 × 10¹⁵ | 0.52% (vekil veri) | 0.6 h | | 28 | PLD (Dominik Cumhuriyeti) | 2,18 milyon | 9.7 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 29 | MDB (Brezilya) | 2,02 milyon | 9 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 30 | CHP (Türkiye) | 1,88 milyon | 8.4 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 31 | Radical Civic Union (Arjantin) | 1,79 milyon | 8 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 32 | İşçi Partisi, PT (Brezilya) | 1,67 milyon | 7.5 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 33 | PRM (Dominik Cumhuriyeti) | 1,55 milyon | 6.9 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 34 | Authentic Radical Liberal Party (Paraguay) | 1,55 milyon | 6.9 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 35 | Partido Federal ng Pilipinas | 1,5 milyon | 6.7 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 36 | PAS (Malezya) | 1,3 milyon | 5.8 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 37 | PRD (Brezilya) | 1,29 milyon | 5.8 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 38 | Progressistas (Brezilya) | 1,29 milyon | 5.8 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 39 | PSDB (Brezilya) | 1,26 milyon | 5.6 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 40 | PKR (Malezya) | 1,15 milyon | 5.2 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 41 | Economic Freedom Fighters (Güney Afrika) | 1,09 milyon | 4.9 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 42 | PDT (Brezilya) | 1,07 milyon | 4.8 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 43 | União Brasil | 1,07 milyon | 4.8 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 44 | CPI(M) (Hindistan) | 1,02 milyon | 4.6 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 45 | Liberal Demokrat Parti (Japonya) | 1 milyon | 4.5 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 46 | FLN (Cezayir) | 1 milyon | 4.5 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 47 | Liberal Parti, PL (Brezilya) | 952,881 | 4.3 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 48 | Küba Komünist Partisi | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h | | 49 | Afrika Ulusal Kongresi | 688,454 | 3.1 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 50 | Kanada Muhafazakâr Partisi | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h | | 51 | CDU (Almanya) | 364,202 | 1.6 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 52 | SPD (Almanya) | 357,116 | 1.6 × 10¹⁴ | 0.52% (vekil veri) | 0.6 h | | 53 | İşçi Partisi (Birleşik Krallık) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h | | 54 | Kanada Liberal Partisi | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h | | 55 | Yeşiller (Almanya) | 155,296 | 7 × 10¹³ | 0.52% (vekil veri) | 0.6 h | | 56 | CSU (Almanya) | 125,153 | 5.6 × 10¹³ | 0.52% (vekil veri) | 0.6 h | | 57 | Muhafazakâr Parti (Birleşik Krallık) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h | | 58 | Yeni Demokrat Parti (Kanada) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h | | 59 | AfD (Almanya) | 51,335 | 2.3 × 10¹³ | 0.52% (vekil veri) | 0.6 h | [Toplantılar, anketler ve kaynaklar](https://simulation-hypothesis.com/tr/entities/control). ## Şirketler: çalışanlar ve talimatlarını izleyen nöronlar Çalışanlar Talimatlarını izleyerek En son yıllık raporda ya da listede çalışan sayısı, doğrusal ölçekte. 1. Walmart 2,1 milyon 2. Amazon▲1 1,58 milyon 3. State Grid▼1 1,36 milyon 4. China National Petroleum 1,03 milyon 5. JD.com 951,420 6. BYD▲1 869,622 7. Accenture▼1 779,000 8. Allied Universal▲3 770,000 9. China Post Group▼1 719,448 10. Russian Railways (RZD)▲2 677,363 11. Volkswagen Group▲6 662,942 12. Foxconn (Hon Hai)▼2 633,167 13. Schwarz Group▲16 604,000 14. Compass Group▲18 590,000 15. Tata Consultancy Services▼6 584,510 Tüm 71 tanesini göster 0 0.5M 1M 1.5M 2M 2.5M employees Sayıları göster | # | Şirket | Çalışanlar | Talimatlarını izleyerek | Haftalık saat | Yönlendirilen pay | | -- | ------------------------------------ | ----------- | ----------------------- | ------------------------------------- | ----------------- | | 1 | Walmart | 2,1 milyon | 6.3 × 10¹⁶ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 2 | Amazon | 1,58 milyon | 4.7 × 10¹⁶ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 3 | State Grid | 1,36 milyon | 5.5 × 10¹⁶ | 49 h (Çin) | 47% | | 4 | China National Petroleum | 1,03 milyon | 4.1 × 10¹⁶ | 49 h (Çin) | 47% | | 5 | JD.com | 951,420 | 3.8 × 10¹⁶ | 49 h (Çin) | 47% | | 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (Çin) | 47% | | 7 | Accenture | 779,000 | 3.7 × 10¹⁶ | 57.58 h (Hindistan) | 55% | | 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (Amerika Birleşik Devletleri) | 35% | | 9 | China Post Group | 719,448 | 2.9 × 10¹⁶ | 49 h (Çin) | 47% | | 10 | Russian Railways (RZD) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (Rusya) | 38% | | 11 | Volkswagen Group | 662,942 | 2 × 10¹⁶ | 35.95 h (Almanya) | 34% | | 12 | Foxconn (Hon Hai) | 633,167 | 2.5 × 10¹⁶ | 49 h (Çin) | 47% | | 13 | Schwarz Group | 604,000 | 1.6 × 10¹⁶ | 31.49 h (Almanya) | 30% | | 14 | Compass Group | 590,000 | 1.5 × 10¹⁶ | 31.7 h (Amerika Birleşik Devletleri) | 30% | | 15 | Tata Consultancy Services | 584,510 | 2.8 × 10¹⁶ | 58.23 h (Hindistan) | 56% | | 16 | DHL Group | 583,998 | 1.7 × 10¹⁶ | 35.81 h (Almanya) | 34% | | 17 | Sinopec | 513,434 | 2.1 × 10¹⁶ | 49 h (Çin) | 47% | | 18 | Gazprom | 501,000 | 1.7 × 10¹⁶ | 40.47 h (Rusya) | 39% | | 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (Amerika Birleşik Devletleri) | 38% | | 20 | Home Depot | 470,000 | 1.4 × 10¹⁶ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 21 | China Mobile | 468,496 | 1.9 × 10¹⁶ | 49 h (Çin) | 47% | | 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (Amerika Birleşik Devletleri) | 38% | | 23 | Çin Tarım Bankası | 457,835 | 1.8 × 10¹⁶ | 49 h (Çin) | 47% | | 24 | Concentrix | 455,000 | 1.7 × 10¹⁶ | 46.71 h (Filipinler) | 45% | | 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (Hindistan) | 56% | | 26 | Jardine Matheson | 443,000 | 1.5 × 10¹⁶ | 41.93 h (Endonezya) | 40% | | 27 | Sodexo | 426,464 | 1.1 × 10¹⁶ | 31.7 h (Amerika Birleşik Devletleri) | 30% | | 28 | Capgemini | 423,400 | 2 × 10¹⁶ | 58.23 h (Hindistan) | 56% | | 29 | Reliance Industries | 419,911 | 2.1 × 10¹⁶ | 59.57 h (Hindistan) | 57% | | 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (Almanya) | 30% | | 31 | Luxshare Precision | 416,197 | 1.7 × 10¹⁶ | 49 h (Çin) | 47% | | 32 | Target | 415,000 | 1.2 × 10¹⁶ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 33 | Marriott International | 414,000 | 1.1 × 10¹⁶ | 31.7 h (Amerika Birleşik Devletleri) | 30% | | 34 | Bosch | 412,400 | 1.2 × 10¹⁶ | 35.95 h (Almanya) | 34% | | 35 | ICBC | 409,758 | 1.6 × 10¹⁶ | 49 h (Çin) | 47% | | 36 | Kroger | 403,000 | 1.2 × 10¹⁶ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 37 | China Resources | 397,398 | 1.6 × 10¹⁶ | 49 h (Çin) | 47% | | 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (Rusya) | 38% | | 39 | Toyota | 390,927 | 1.3 × 10¹⁶ | 39.6 h (Japonya) | 38% | | 40 | UnitedHealth Group | 390,000 | 1.2 × 10¹⁶ | 36.87 h (Amerika Birleşik Devletleri) | 35% | | 41 | X5 Group | 389,000 | 1.3 × 10¹⁶ | 39.69 h (Rusya) | 38% | | 42 | Berkshire Hathaway | 387,800 | 1.2 × 10¹⁶ | 37.75 h (Amerika Birleşik Devletleri) | 36% | | 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (Çin) | 47% | | 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 45 | China Telecom | 381,436 | 1.5 × 10¹⁶ | 49 h (Çin) | 47% | | 46 | Starbucks | 381,000 | 9.9 × 10¹⁵ | 31.7 h (Amerika Birleşik Devletleri) | 30% | | 47 | Rewe Group | 380,000 | 9.8 × 10¹⁵ | 31.49 h (Almanya) | 30% | | 48 | Çin İnşaat Bankası | 378,344 | 1.5 × 10¹⁶ | 49 h (Çin) | 47% | | 49 | TJX Companies | 377,000 | 1.1 × 10¹⁶ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 50 | China State Construction Engineering | 370,272 | 1.5 × 10¹⁶ | 49 h (Çin) | 47% | | 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (Meksika) | 45% | | 52 | Japan Post Holdings | 360,000 | 1.2 × 10¹⁶ | 41.6 h (Japonya) | 40% | | 53 | Tesco | 354,744 | 9.3 × 10¹⁵ | 31.81 h (Birleşik Krallık) | 30% | | 54 | Cognizant | 351,600 | 1.7 × 10¹⁶ | 58.23 h (Hindistan) | 56% | | 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (Japonya) | 38% | | 56 | Costco | 341,000 | 1 × 10¹⁶ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 57 | Infosys | 328,594 | 1.6 × 10¹⁶ | 58.23 h (Hindistan) | 56% | | 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (Hindistan) | 56% | | 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (Amerika Birleşik Devletleri) | 35% | | 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (Amerika Birleşik Devletleri) | 35% | | 61 | Rosneft | 320,000 | 1.1 × 10¹⁶ | 40.47 h (Rusya) | 39% | | 62 | JPMorgan Chase | 318,512 | 1.1 × 10¹⁶ | 40.14 h (Amerika Birleşik Devletleri) | 38% | | 63 | Siemens | 318,000 | 9.4 × 10¹⁵ | 35.95 h (Almanya) | 34% | | 64 | Çin Bankası | 313,746 | 1.3 × 10¹⁶ | 49 h (Çin) | 47% | | 65 | Walgreens Boots Alliance | 312,000 | 9.3 × 10¹⁵ | 36.3 h (Amerika Birleşik Devletleri) | 35% | | 66 | PepsiCo | 306,000 | 1 × 10¹⁶ | 40.7 h (Amerika Birleşik Devletleri) | 39% | | 67 | China Railway Construction (CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (Çin) | 47% | | 68 | CHN Energy (China Energy Investment) | 303,418 | 1.2 × 10¹⁶ | 49 h (Çin) | 47% | | 69 | China Railway Group (CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (Çin) | 47% | | 70 | CK Hutchison | 300,000 | 8.6 × 10¹⁵ | 35.08 h (Birleşik Krallık) | 33% | | 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (Amerika Birleşik Devletleri) | 35% | [Saatler ve kaynaklar](https://simulation-hypothesis.com/tr/entities/control). ## Hayvanlar ve diğer organizmalar Nöronu olmayan tek hücrelerden insan beynine. Nöron sayıları, var oldukları yerde ölçülmüştür. ### Nöron yok * [Escherichia coli](https://simulation-hypothesis.com/tr/entities/ecoli)Escherichia coli 0 ölçüldü Nöronu olmayan tek bir hücre. Yiyeceğe doğru yön alır ve birkaç saniye süren kimyasal bir belleği vardır. * [Balçık küfü](https://simulation-hypothesis.com/tr/entities/physarum)Physarum polycephalum 0 ölçüldü Nöronu olmayan tek bir dev hücre. Labirentleri çözer ve verimli taşıma ağları büyütür. * [Küstüm otu](https://simulation-hypothesis.com/tr/entities/mimosa)Mimosa pudica 0 ölçüldü Yaprakları dokunulunca kapanan bir bitki. Bir çalışma, zararsız dokunuşları görmezden gelmeyi öğrendiğini bildirdi. Sonraki bir yeniden analiz buna itiraz etti. * [Sünger](https://simulation-hypothesis.com/tr/entities/sponge)Porifera (ör. Amphimedon queenslandica) 0 ölçüldü Nöronu ya da sinapsı olmayan, yine de bütün bedenini eşgüdümlü biçimde kasan bir hayvan. ### Sinir ağları, beyin yok * [Hydra](https://simulation-hypothesis.com/tr/entities/hydra)Hydra vulgaris yaklaşık 3.000 ila 5.000 tahmin Küçük bir tatlı su knidarlısı. Yaygın bir sinir ağıyla denetlenir ve beyni yoktur. * [Kutu denizanası](https://simulation-hypothesis.com/tr/entities/jellyfish)Tripedalia cystophora Yayımlanmış sayım yok Kutu denizanasının merkezî bir beyni yoktur, buna rağmen ilişkisel öğrenme göstermiştir. ### Beyni olan omurgasızlar * [Yuvarlak solucan](https://simulation-hypothesis.com/tr/entities/celegans)Caenorhabditis elegans 302 ölçüldü Yaklaşık bir milimetre uzunluğunda, tam 302 nöronu olan bir solucan. Tam bağlantı şeması haritalanan ilk hayvan oldu. * [Meyve sineği](https://simulation-hypothesis.com/tr/entities/drosophila)Drosophila melanogaster 139,255 ölçüldü Bugüne kadar haritalanan en büyük tam beyin bağlantı şeması; yaklaşık 139.000 nöronu kapsıyor. * [Bal arısı](https://simulation-hypothesis.com/tr/entities/honeybee)Apis mellifera yaklaşık 1 milyon tahmin Yaklaşık bir milyon nöron ve arılar aynı ve farklı gibi soyut kavramları öğrenebilir. * [Karınca (Camponotus / Formica)](https://simulation-hypothesis.com/tr/entities/ant)Camponotus spp. Yayımlanmış sayım yok Adımları sayarak (yol integrasyonu) ve yer işaretlerini hatırlayarak uzun mesafe yön bulmayı yürüten küçük bir beyin. * [Portia atlayan örümceği](https://simulation-hypothesis.com/tr/entities/portia)Portia fimbriata / labiata Yayımlanmış sayım yok Dolambaçlı yollar planlayan bir atlayan örümcek. Avından uzaklaşan ve görüş alanından çıkan rotaları izler. * [Kıyı yengeci / kerevit](https://simulation-hypothesis.com/tr/entities/decapod)Carcinus maenas; Procambarus / Astacus spp. Yayımlanmış sayım yok Yengeçler ve kerevitler. 2021’de bir hükümet incelemesi, gerçek yengeçlerin duyarlı olduğuna dair güçlü kanıt buldu. * [Yaygın ahtapot](https://simulation-hypothesis.com/tr/entities/octopus)Octopus vulgaris 500 milyon tahmin Nöronlarının çoğu kollarındadır. 2021’de bir inceleme, duyarlı olduğuna dair çok güçlü kanıt buldu. ### Balıklar ve amfibiler * [Zebra balığı](https://simulation-hypothesis.com/tr/entities/zebrafish)Danio rerio Yayımlanmış sayım yok Nörobilimde yaygın kullanılan küçük bir balık. Nöronları tam olarak sayılmamıştır. Yetişkin beyninde yaklaşık 10 milyon hücre vardır. * [Temizleyici lapin balığı](https://simulation-hypothesis.com/tr/entities/wrasse)Labroides dimidiatus Yayımlanmış sayım yok Ayna işaret testinin bir sürümünü geçen bir resif balığı. İnsanlar bunun neyi gösterdiği konusunda hemfikir değil. * [Kurbağa](https://simulation-hypothesis.com/tr/entities/frog)Anura (ör. Xenopus / Rana) Yayımlanmış sayım yok 2024 New York Bildirgesi, amfibilerde bilinçli deneyim için gerçekçi bir olasılık bulunduğunu söyler. ### Kuşlar * [Kaya güvercini](https://simulation-hypothesis.com/tr/entities/pigeon)Columba livia 310 milyon ölçüldü Küçük bir beyinde yüz milyonlarca nöron. Güvercinler karmaşık görüntüleri kategorilere ayırabilir. * [Kuzgun](https://simulation-hypothesis.com/tr/entities/raven)Corvus corax 2,17 milyar ölçüldü İki milyardan fazla nöron, yoğun biçimde paketlenmiş. Kuzgunlar tek tek rakipleri hatırlar. * [Yeni Kaledonya kargası](https://simulation-hypothesis.com/tr/entities/nccrow)Corvus moneduloides Yayımlanmış sayım yok Dallardan ve telden çengelli aletler yapar. Nöronları sayılmamıştır. * [Afrika gri papağanı](https://simulation-hypothesis.com/tr/entities/greyparrot)Psittacus erithacus 1,57 milyar ölçüldü Yaklaşık 1,6 milyar nöron. Sayı algısı ve kategorizasyon üzerine on yıllarca süren laboratuvar çalışması. ### Mammals * [Fare](https://simulation-hypothesis.com/tr/entities/mouse)Mus musculus 70,9 milyon ölçüldü Yaklaşık 71 milyon nöron. Fareler ölçülebilen acı yüz ifadeleri gösterir. * [Sıçan](https://simulation-hypothesis.com/tr/entities/rat)Rattus norvegicus 200 milyon ölçüldü Yaklaşık 200 milyon nöron. Sıçanlar kafes arkadaşlarını tuzaktan kurtarır. * [Evcil kedi](https://simulation-hypothesis.com/tr/entities/cat)Felis catus 1,22 milyar ölçüldü Serebral kortekste yaklaşık 250 milyon nöron. * [Evcil köpek](https://simulation-hypothesis.com/tr/entities/dog)Canis familiaris köpeğe bağlı olarak 1,8 ila 2,6 milyar ölçüldü Köpeğe bağlı olarak yaklaşık 600 milyon kortikal nörona kadar. Bu, kedilerden fazladır. * [Evcil domuz](https://simulation-hypothesis.com/tr/entities/pig)Sus scrofa domesticus 2,22 milyar ölçüldü Domuzlar aynanın ne gösterdiğini öğrenir ve onu yiyecek bulmak için kullanır. * [Şişe burunlu yunus](https://simulation-hypothesis.com/tr/entities/dolphin)Tursiops truncatus Yayımlanmış sayım yok Ayna ile kendini tanıma testlerini geçer. Şişe burunlu yunus için ölçülmüş bir nöron sayısı yok. * [Afrika fili](https://simulation-hypothesis.com/tr/entities/elephant)Loxodonta africana 257 milyar ölçüldü 257 milyar nöron; insanın üç katı, neredeyse hepsi beyincikte. * [Şempanze](https://simulation-hypothesis.com/tr/entities/chimp)Pan troglodytes yaklaşık 28 milyar (ölçekleme kurallarından öngörülmüş, sayılmamış) tahmin Yaşayan iki en yakın akrabamızdan biri (bonobo ile birlikte). Ayna testini geçer. * [İnsan](https://simulation-hypothesis.com/tr/entities/human)Homo sapiens 86,1 milyar ölçüldü 86 milyar nöron, 16 milyarı serebral kortekste. Üyeleri deneyimleri hakkında sözlü bildirimde bulunabilen tek tür biziz. ## Kolektif sistemler Hiçbir üyenin tek başına vermediği kararlar veren gruplar. Zihin olarak değil, kolektif zekâ olarak incelenirler. * [Karınca kolonileri](https://simulation-hypothesis.com/tr/entities/c-ants)Koloniler, tek tek karıncalar bir yeter sayı eşiğini izlediği için daha iyi yuvayı seçer. Hiçbir karınca bölgeleri bütün olarak karşılaştırmaz. * [Bal arısı oğulları](https://simulation-hypothesis.com/tr/entities/c-bees)Oğullar, izcilerin yarışması ve bir yeter sayı yoluyla en iyi oyuğu seçer. Durdurma sinyalleri, kilitlenmeleri kıran çapraz engelleme sağlar. * [Sığırcık sürüleri](https://simulation-hypothesis.com/tr/entities/c-starlings)Her kuş, belirli bir mesafedeki bütün kuşları değil, sabit sayıda komşuyu (yaklaşık 6-7) izler. Buna metrik değil, topolojik etkileşim denir. * [Balık sürüleri](https://simulation-hypothesis.com/tr/entities/c-fish)Sürüler karar vermek için yeter sayı kurallarını kullanır. Büyük gruplar, hiçbir tek balığın algılayamayacağı çevresel eğimleri algılayabilir. ## Yapay sistemler Makine zekâsının türleri, nasıl çalıştıklarına göre sıralanmış. Şu anda hiçbir sistem bilinç için güçlü bir aday sayılmıyor. * [Kural tabanlı uzman sistemler](https://simulation-hypothesis.com/tr/entities/ai-expert)Bir alan uzmanının bilgisini açık eğer-ise kurallarıyla kodlayan programlar. Bir çıkarım motoru, sonuca varmak için kuralları sırayla uygular; genellikle akıl yürütmesinin bir açıklamasıyla birlikte. * [Oyun ağacı arama motorları (satranç)](https://simulation-hypothesis.com/tr/entities/ai-chess)Olası hamle dizilerini sabit bir derinliğe kadar sıralayan ve ortaya çıkan konumları elle yazılmış bir değerlendirme fonksiyonuyla puanlayan programlar. Seçimi değiştiremeyecek dalları budarlar (alfa-beta budamalı minimax). * [Derin pekiştirmeli öğrenme ajanları](https://simulation-hypothesis.com/tr/entities/ai-drl)Bir ödül sinyalini en üst düzeye çıkarmak için deneme yanılmayla eğitilen sinir ağları. Bir ortamla, çoğu zaman bir oyun gibi simüle edilmiş bir ortamla etkileşerek bir politika ya da değer fonksiyonu öğrenirler. * [Büyük dil modelleri](https://simulation-hypothesis.com/tr/entities/ai-llm)Çok büyük metin derlemlerinde bir sonraki token’ı tahmin edecek biçimde eğitilen, sonra çoğunlukla insan geri bildirimiyle ayarlanan Transformer sinir ağları. * [Bedenli robotlar](https://simulation-hypothesis.com/tr/entities/ai-robots)Duyargaları ve eyleyicileri olan, fiziksel dünyada eylemde bulunan makineler. Çoğu zaman merkezî bir dünya modeli yerine katmanlı tepkisel denetim kullanırlar; böylece davranış beden ile çevre arasındaki döngüden doğar. * [Nöromorfik donanım](https://simulation-hypothesis.com/tr/entities/ai-neuromorphic)Devreleri ateşleyen nöronları ve sinapsları taklit eden çipler. Olay güdümlüdürler ve geleneksel işlemci-bellek tasarımının aksine az güç kullanırlar. ## Varsayımsal zihinler Bilimsel ve felsefi yazında öne sürülen zihinler. Hiç kimse bir tanesini gözlemlemedi. * [Tüm beyin emülasyonu](https://simulation-hypothesis.com/tr/entities/h-wbe)gözlemlenmedi Bir beyni ince ayrıntıyla taramak ve onun bir yazılım modelini çalıştırmak. * [Ata simülasyonlarındaki simüle edilmiş zihinler](https://simulation-hypothesis.com/tr/entities/h-ancestor)gözlemlenmedi Bostrom’un üçlemi: ya neredeyse hiçbir uygarlık insan sonrası aşamaya ulaşmaz, ya neredeyse hiçbiri ata simülasyonları çalıştırmaz, ya da neredeyse kesinlikle birinin içinde yaşıyoruz. * [Boltzmann beyinleri](https://simulation-hypothesis.com/tr/entities/h-boltzmann)gözlemlenmedi Nadir termal ya da kuantum dalgalanmalarından ortaya çıkan, beyin benzeri gözlemciler. * [Kademeli yer değiştirmeyle zihin yükleme](https://simulation-hypothesis.com/tr/entities/h-uploading)gözlemlenmedi Nöronları işlevsel olarak özdeş yapay parçalarla tek tek değiştirmek. * [Süper zekâ](https://simulation-hypothesis.com/tr/entities/h-superintelligence)gözlemlenmedi Hemen her alanda insan performansını büyük ölçüde aşan varsayımsal bir zekâ. Bostrom’un kitabı ona giden yolları (tüm beyin emülasyonu, biyolojik bilişsellik, yapay zekâ), biçimlerini ve denetim sorunlarını inceler. Veri sürümü 2.0.0\. [İndir (JSON)](https://simulation-hypothesis.com/entities/minds.json).