#224 SpaceXAI: Grok 4.20
medium- খরচ
- $0.041
- সময়
- 110.3s
- টোকেন
- 16,336 tok
X AI
প্রকাশ: 2026-03-31
পরীক্ষিত হয়েছে: 2026-10-01 02:39
x-ai/grok-4.20::medium
~1T মোট (~100B সক্রিয়)MoEবন্ধ উৎসআনুমানিক
(medium)
(none)
সারাংশ
Grok 4.20 AI BENCHY-তে 6.3 স্কোর করে এবং #224 স্থানে আছে। এর reliability 10.0, pass rate 58.0%, মোট খরচ $1.582, এবং গড় response time 36.73s.
Grok 4.20 কে আলাদা করে যা: এটি সমন্বিত-তে সবচেয়ে ভালোভাবে নজর কাড়ে, যেখানে এর rank #2; আর Sadharon Buddhimotta এর দুর্বলতম ক্ষেত্র, rank #14.
পরিচয় নোট
Grok 4.20 Beta ছিল Grok 4.20-এর প্রিভিউ সংস্করণ।
মডেলের তথ্য
গবেষণার তারিখ: 2026-08-12
- প্যারামিটার
- ~1T মোট (~100B সক্রিয়)
- আর্কিটেকচার
- MoE
- উপলভ্যতা
- বন্ধ উৎস
- লাইসেন্স
- -
সর্বজনীন তথ্যপ্রমাণের ভিত্তিতে সেরা অনুমান; প্রদানকারী সব মান প্রকাশ করেনি।
6.3
ধারাবাহিকতা
8.2
10.0
$1.582
মোট আউটপুট টোকেন
302,087
মোট ইনপুট টোকেন
392,127
ইনপুট মূল্য
$1.250 / 1M
আউটপুট মূল্য
$2.500 / 1M
অস্থির টেস্ট
5
অস্থির টেস্টে রানভেদে মিশ্র ফল হয়েছে (কমপক্ষে একটি পাস এবং একটি ফেল)।
36.73s
প্রতিক্রিয়া সময় (সর্বোচ্চ): 199.66s
প্রতিক্রিয়া সময় (মোট): 844.68s
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 |
|---|---|---|---|---|---|
| 2026-10-01 02:39 পুনরায় পরীক্ষা | 6.3 | 10.0 | $1.582 | বর্তমান রান | |
| 2026-07-16 23:07 নতুন টেস্ট যোগ হয়েছে | 7.1 | 10.0 | $0.777 ↓ | তুলনা করুন | |
| 2026-06-04 14:17 নতুন টেস্ট যোগ হয়েছে | 7.1 | 10.0 | $0.609 ↓ | তুলনা করুন | |
| 2026-05-22 00:32 স্যুইট পরিবর্তিত হয়েছে | 6.7 | 10.0 | $0.832 | তুলনা করুন | |
| 2026-05-08 15:32 স্যুইট পরিবর্তিত হয়েছে | 6.9 | 10.0 | $0.756 | তুলনা করুন | |
| 2026-04-11 01:44 প্রথম নথিভুক্ত রান | 7.0 | প্রযোজ্য নয় | $0.743 | তুলনা করুন |
এই রানটি ভিন্ন একটি বেঞ্চমার্ক স্যুইট ব্যবহার করেছে। ঐতিহাসিক পরিবর্তন পড়ার সময় স্যুইট পরিবর্তনও মাথায় রাখুন।
রান তুলনা
| রান | বেঞ্চমার্ক কভারেজ | স্কোর | ধারাবাহিকতা | নির্ভরযোগ্যতা | সঠিক টেস্ট | অস্থির টেস্ট | মোট আউটপুট টোকেন | মোট ইনপুট টোকেন | মোট খরচ | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-10-01 02:39 · বর্তমান রান | 69/69 প্রচেষ্টা | 6.3 | 8.2 | 10.0 | 11/23 | 5 | 302,087 | 392,127 | $1.582 | 36.73s |
| 2026-05-22 00:32 · স্যুইট পরিবর্তিত হয়েছে | 60/60 প্রচেষ্টা | 6.7 | 8.0 | 10.0 | 10/20 | 5 | 158,105 | 0 | $0.832 | 19.09s |
| পার্থক্য | — | -0.4 | +0.2 | 0.0 | +1 | 0 | +143982 | +392127 | +$0.750 | +17633ms |
বেঞ্চমার্ক কভারেজ আলাদা: 69/69 প্রচেষ্টা (লক্ষ্য: প্রতি টেস্টে 3টি পুনরাবৃত্তি) বনাম 60/60 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
দ্রুত তুলনা
Grok 4.20mediumvsDeepSeek V4 Flash 0423noneGrok 4.20mediumvsGemini 3.5 FlashnoneGrok 4.20mediumvsDeepSeek V3.2mediumGrok 4.20mediumvsSpace Bunny AlphaxhighGrok 4.20mediumvsSpace Bunny AlphamediumGrok 4.20mediumvsKAT-Coder-Pro V2.5mediumGrok 4.20mediumvsSolar Pro 4highGrok 4.20mediumvsDeepSeek V4 Flash 0731noneGrok 4.20mediumvsGemini 3.1 Flash LitelowGrok 4.20mediumvsGemini 3.1 Flash Lite Previewnone
বিভাগভিত্তিক বিশ্লেষণ
| বিভাগ | স্কোর | ধারাবাহিকতা | সঠিক টেস্ট |
|---|---|---|---|
| স্বায়ত্তশাসিত এজেন্টের কাজ | 3.0 | 10.0 | |
| অ্যান্টি-এআই কৌশল | 8.2 | 7.9 | |
| কোডিং | 6.3 | 6.6 | |
| সমন্বিত | 8.7 | 6.9 | |
| ডেটা পার্সিং ও নিষ্কাশন | 10.0 | 10.0 | |
| ডোমেইন-নির্দিষ্ট | 2.9 | 7.2 | |
| Sadharon Buddhimotta | 3.9 | 2.6 | |
| নির্দেশনা অনুসরণ | 9.8 | 10.0 | |
| ধাঁধা সমাধান | 7.7 | 10.0 | |
| টুল কলিং | 3.0 | 10.0 | |
| সাধারণ জ্ঞান | 3.0 | 10.0 |