#61 Grok 4.20 Multi Agent Beta
medium- খরচ
- $0.261
- সময়
- 123.4s
- টোকেন
- 199,344 tok
X AI
প্রকাশ: 2026-03-12
পরীক্ষিত হয়েছে: 2026-04-11 01:19
x-ai/grok-4.20-multi-agent-beta::medium
সারাংশ
Grok 4.20 Multi Agent Beta AI BENCHY-তে 6.4 স্কোর করে এবং #61 স্থানে আছে। এর reliability প্রযোজ্য নয়, pass rate 57.4%, মোট খরচ $5.074, এবং গড় response time 9.80s.
Grok 4.20 Multi Agent Beta কে আলাদা করে যা: এটি কোডিং-তে সবচেয়ে ভালোভাবে নজর কাড়ে, যেখানে এর rank #1; আর সমন্বিত এর দুর্বলতম ক্ষেত্র, rank #16.
আর্কাইভড মডেল: এই মডেল আর আপডেট করা হবে না এবং নতুন টেস্টে পরীক্ষা করা হবে না।
6.4
ধারাবাহিকতা
7.4
প্রযোজ্য নয়
$5.074
মোট আউটপুট টোকেন
608,704
মোট ইনপুট টোকেন
0
ইনপুট মূল্য
$0.000 / 1M
আউটপুট মূল্য
$0.000 / 1M
অস্থির টেস্ট
6
অস্থির টেস্টে রানভেদে মিশ্র ফল হয়েছে (কমপক্ষে একটি পাস এবং একটি ফেল)।
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 |
|---|---|---|---|---|---|
| 2026-05-06 14:16 পুনরায় পরীক্ষা | 4.8 | প্রযোজ্য নয় | $5.599 ↑ | তুলনা করুন | |
| 2026-05-06 14:16 পুনরায় পরীক্ষা | 6.6 | প্রযোজ্য নয় | $5.599 ↑ | তুলনা করুন | |
| 2026-05-06 14:16 পুনরায় পরীক্ষা | 6.6 | প্রযোজ্য নয় | $5.074 | তুলনা করুন | |
| 2026-05-06 14:16 স্যুইট পরিবর্তিত হয়েছে | 6.6 | প্রযোজ্য নয় | $5.074 | তুলনা করুন | |
| 2026-04-11 01:19 প্রথম নথিভুক্ত রান | 6.4 | প্রযোজ্য নয় | $5.074 | বর্তমান রান |
রান তুলনা
| রান | স্কোর | ধারাবাহিকতা | নির্ভরযোগ্যতা | সঠিক টেস্ট | অস্থির টেস্ট | মোট আউটপুট টোকেন | মোট ইনপুট টোকেন | মোট খরচ | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-04-11 01:19 · প্রথম নথিভুক্ত রান | 6.4 | 7.4 | প্রযোজ্য নয় | 7/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| 2026-05-06 14:16 · পুনরায় পরীক্ষা | 4.8 | 6.4 | প্রযোজ্য নয় | 8/18 | 5 | 600,042 | 721,952 | $5.599 | 9.69s |
| পার্থক্য | +1.7 | +1.0 | -1 | +1 | +8662 | -721952 | -$0.526 | +105ms |
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 | 6.9 | 5.8 | |
| কোডিং | 10.0 | 10.0 | |
| সমন্বিত | 3.0 | 10.0 | |
| ডেটা পার্সিং ও নিষ্কাশন | 10.0 | 10.0 | |
| ডোমেইন-নির্দিষ্ট | 2.9 | 7.2 | |
| Sadharon Buddhimotta | 5.8 | 2.8 | |
| নির্দেশনা অনুসরণ | 8.3 | 10.0 | |
| ধাঁধা সমাধান | 7.2 | 5.1 | |
| টুল কলিং | 3.0 | 10.0 |