#42 Claude Opus 4.6
medium
Reached the allocated time limit (300 seconds) without receiving showcase output.
- খরচ
- $0.000
- সময়
- 300.0s
- টোকেন
- 0 tok
Anthropic
প্রকাশ: 2026-02-05
পরীক্ষিত হয়েছে: 2026-04-11 01:44
anthropic/claude-opus-4.6::medium
~5T মোট (~500B সক্রিয়)MoEবন্ধ উৎসআনুমানিক সারাংশ
Claude Opus 4.6 AI BENCHY-তে 7.6 স্কোর করে এবং #42 স্থানে আছে। এর reliability প্রযোজ্য নয়, pass rate 70.4%, মোট খরচ $1.446, এবং গড় response time 21.08s.
আর্কাইভড মডেল: এই মডেল আর আপডেট করা হবে না এবং নতুন টেস্টে পরীক্ষা করা হবে না।
মডেলের তথ্য
গবেষণার তারিখ: 2026-08-12
- প্যারামিটার
- ~5T মোট (~500B সক্রিয়)
- আর্কিটেকচার
- MoE
- উপলভ্যতা
- বন্ধ উৎস
- লাইসেন্স
- -
সর্বজনীন তথ্যপ্রমাণের ভিত্তিতে সেরা অনুমান; প্রদানকারী সব মান প্রকাশ করেনি।
7.6
ধারাবাহিকতা
9.1
প্রযোজ্য নয়
$1.446
মোট আউটপুট টোকেন
48,767
মোট ইনপুট টোকেন
0
ইনপুট মূল্য
$5.000 / 1M
আউটপুট মূল্য
$25.000 / 1M
ক্যাশ পড়ার মূল্য
প্রযোজ্য নয়
ক্যাশ লেখার মূল্য
প্রযোজ্য নয়
ক্যাশের মূল্য ইনপুট টোকেনের জন্য প্রযোজ্য। পড়ার সময় ক্যাশ করা প্রম্পট আবার ব্যবহার হয়; লেখার সময় সেগুলি সংরক্ষিত হয় এবং বাড়তি খরচ হতে পারে। আউটপুট টোকেনের জন্য আউটপুট মূল্য প্রযোজ্য।
অস্থির টেস্ট
2
অস্থির টেস্টে রানভেদে মিশ্র ফল হয়েছে (কমপক্ষে একটি পাস এবং একটি ফেল)।
21.08s
প্রতিক্রিয়া সময় (সর্বোচ্চ): 83.40s
প্রতিক্রিয়া সময় (মোট): 231.84s
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
রান ইতিহাস
| পরীক্ষিত হয়েছে | স্কোর | নির্ভরযোগ্যতা | সঠিক টেস্ট | মোট খরচ | তুলনা করুন |
|---|---|---|---|---|---|
| 2026-08-14 02:08 পুনরায় পরীক্ষা | 7.7 | 10.0 | $2.961 | তুলনা করুন | |
| 2026-07-16 22:31 নতুন টেস্ট যোগ হয়েছে | 7.7 | 10.0 | $3.059 | তুলনা করুন | |
| 2026-06-04 13:45 নতুন টেস্ট যোগ হয়েছে | 7.0 | 10.0 | $2.053 | তুলনা করুন | |
| 2026-05-22 00:17 স্যুইট পরিবর্তিত হয়েছে | 7.2 | 10.0 | $1.896 | তুলনা করুন | |
| 2026-04-11 01:44 প্রথম নথিভুক্ত রান | 7.6 | প্রযোজ্য নয় | $1.446 | বর্তমান রান |
রান তুলনা
| রান | বেঞ্চমার্ক কভারেজ | স্কোর | ধারাবাহিকতা | নির্ভরযোগ্যতা | সঠিক টেস্ট | অস্থির টেস্ট | মোট আউটপুট টোকেন | মোট ইনপুট টোকেন | মোট খরচ | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-11 01:44 · প্রথম নথিভুক্ত রান | 54/54 প্রচেষ্টা | 7.6 | 9.1 | প্রযোজ্য নয় | 12/18 | 2 | 48,767 | 0 | $1.446 | 21.08s |
| 2026-06-04 13:45 · নতুন টেস্ট যোগ হয়েছে | 63/63 প্রচেষ্টা | 7.0 | 8.8 | 10.0 | 12/21 | 3 | 71,446 | 53,227 | $2.053 | 25.89s |
| পার্থক্য | — | +0.6 | +0.3 | 0 | -1 | -22679 | -53227 | -$0.607 | -4816ms |
বেঞ্চমার্ক কভারেজ আলাদা: 54/54 প্রচেষ্টা (লক্ষ্য: প্রতি টেস্টে 3টি পুনরাবৃত্তি) বনাম 63/63 প্রচেষ্টা (লক্ষ্য: প্রতি টেস্টে 3টি পুনরাবৃত্তি)। মোট মান ও পুনরাবৃত্তি-সংবেদনশীল মেট্রিক সরাসরি তুলনাযোগ্য নয়।
এই দুই রান ভিন্ন বেঞ্চমার্ক স্যুইট ব্যবহার করেছে, তাই পার্থক্যগুলোতে মডেল পরিবর্তন এবং স্যুইট পরিবর্তন দুটোই ধরা পড়ে।
চার্ট
প্রথম মডেলটি নির্বাচন করুন, তারপর দ্বিতীয় মডেলে ক্লিক করে পাশাপাশি তুলনা পৃষ্ঠা খুলুন।
স্কোর অনুযায়ী শীর্ষ মডেল
স্কোর vs মোট খরচ
প্রতিক্রিয়া সময় (গড়)
স্কোর vs প্রতিক্রিয়া সময় (গড়)
মোট আউটপুট টোকেন
স্কোর vs মোট আউটপুট টোকেন
বিভাগভিত্তিক বিশ্লেষণ
| বিভাগ | স্কোর | ধারাবাহিকতা | সঠিক টেস্ট |
|---|---|---|---|
| অ্যান্টি-এআই কৌশল | 6.4 | 5.8 | |
| কোডিং | 10.0 | 10.0 | |
| সমন্বিত | 10.0 | 10.0 | |
| ডেটা পার্সিং ও নিষ্কাশন | 10.0 | 10.0 | |
| ডোমেইন-নির্দিষ্ট | 3.0 | 10.0 | |
| Sadharon Buddhimotta | 10.0 | 10.0 | |
| নির্দেশনা অনুসরণ | 10.0 | 10.0 | |
| ধাঁধা সমাধান | 7.7 | 10.0 | |
| টুল কলিং | 10.0 | 10.0 |