AI BENCHY तुलना
तुलना किए गए मॉडल
तुलना करें:
बेंचमार्क AI BENCHY टेस्ट सूट्स से इस समय जनरेट किए गए:: 2026-03-05
| मेट्रिक | OpenAI: GPT-5.4 medium रिलीज़: 2026-03-05 | OpenAI: GPT-5.3-Codex medium रिलीज़: 2026-02-05 | OpenAI: GPT-5.2 medium रिलीज़: 2025-12-11 |
|---|---|---|---|
| रैंक | #7 | #4 | #26 |
| औसत स्कोर | 82 | 87 | 69 |
| संगति | 89 | 90 | 78 |
| प्रति परिणाम लागत | 6.533 | 4.418 | 3.057 |
| कुल लागत | $0.784 | $0.531 | $0.306 |
| सही परीक्षण | |||
| प्रति प्रयास पास दर | 86.7% | 88.9% | 80.0% |
| अस्थिर टेस्ट | 2 | 2 | 4 |
| आउटपुट टोकन | 1,611 | 1,577 | 2,058 |
| रीजनिंग टोकन | 46,321 | 33,017 | 16,542 |
स्कोर बनाम कुल लागत
श्रेणी विवरण
| एंटी-एआई ट्रिक्स | स्कोर | संगति | प्रति प्रयास पास दर | अस्थिर टेस्ट | सही परीक्षण | आउटपुट टोकन | रीजनिंग टोकन |
|---|---|---|---|---|---|---|---|
| OpenAI: GPT-5.4 | 100 | 100 | 100.0% | 0 | 216 | 1,466 | |
| OpenAI: GPT-5.3-Codex | 100 | 100 | 100.0% | 0 | 216 | 1,421 | |
| OpenAI: GPT-5.2 | 70 | 73 | 77.8% | 1 | 549 | 2,002 |
| संयुक्त | स्कोर | संगति | प्रति प्रयास पास दर | अस्थिर टेस्ट | सही परीक्षण | आउटपुट टोकन | रीजनिंग टोकन |
|---|---|---|---|---|---|---|---|
| OpenAI: GPT-5.4 | 100 | 100 | 100.0% | 0 | 301 | 3,543 | |
| OpenAI: GPT-5.3-Codex | 100 | 100 | 100.0% | 0 | 364 | 2,731 | |
| OpenAI: GPT-5.2 | 100 | 100 | 100.0% | 0 | 291 | 1,757 |
| डेटा पार्सिंग और निष्कर्षण | स्कोर | संगति | प्रति प्रयास पास दर | अस्थिर टेस्ट | सही परीक्षण | आउटपुट टोकन | रीजनिंग टोकन |
|---|---|---|---|---|---|---|---|
| OpenAI: GPT-5.4 | 99 | 100 | 100.0% | 0 | 234 | 804 | |
| OpenAI: GPT-5.3-Codex | 99 | 100 | 100.0% | 0 | 234 | 728 | |
| OpenAI: GPT-5.2 | 99 | 100 | 100.0% | 0 | 234 | 420 |
| डोमेन-विशिष्ट | स्कोर | संगति | प्रति प्रयास पास दर | अस्थिर टेस्ट | सही परीक्षण | आउटपुट टोकन | रीजनिंग टोकन |
|---|---|---|---|---|---|---|---|
| OpenAI: GPT-5.4 | 40 | 72 | 44.4% | 1 | 61 | 34,748 | |
| OpenAI: GPT-5.3-Codex | 40 | 72 | 55.6% | 1 | 64 | 25,308 | |
| OpenAI: GPT-5.2 | 40 | 72 | 55.6% | 1 | 42 | 10,342 |
| निर्देश पालन | स्कोर | संगति | प्रति प्रयास पास दर | अस्थिर टेस्ट | सही परीक्षण | आउटपुट टोकन | रीजनिंग टोकन |
|---|---|---|---|---|---|---|---|
| OpenAI: GPT-5.4 | 100 | 100 | 100.0% | 0 | 93 | 897 | |
| OpenAI: GPT-5.3-Codex | 100 | 100 | 100.0% | 0 | 93 | 693 | |
| OpenAI: GPT-5.2 | 95 | 100 | 100.0% | 0 | 94 | 614 |
| Puzzle Solving | स्कोर | संगति | प्रति प्रयास पास दर | अस्थिर टेस्ट | सही परीक्षण | आउटपुट टोकन | रीजनिंग टोकन |
|---|---|---|---|---|---|---|---|
| OpenAI: GPT-5.4 | 70 | 72 | 88.9% | 1 | 442 | 3,832 | |
| OpenAI: GPT-5.3-Codex | 93 | 79 | 88.9% | 1 | 352 | 1,644 | |
| OpenAI: GPT-5.2 | 70 | 73 | 77.8% | 1 | 609 | 938 |
| टूल कॉलिंग | स्कोर | संगति | प्रति प्रयास पास दर | अस्थिर टेस्ट | सही परीक्षण | आउटपुट टोकन | रीजनिंग टोकन |
|---|---|---|---|---|---|---|---|
| OpenAI: GPT-5.4 | 100 | 100 | 100.0% | 0 | 264 | 1,031 | |
| OpenAI: GPT-5.3-Codex | 100 | 100 | 100.0% | 0 | 254 | 492 | |
| OpenAI: GPT-5.2 | 100 | 16 | 66.7% | 1 | 239 | 469 |
त्वरित तुलना
तुलना जोड़ी बदलें
Claude Sonnet 4.6nonevsGPT-5.2mediumGemini 3 Flash PreviewlowvsGPT-5.4mediumGemini 3.1 Flash Lite PreviewhighvsGPT-5.4mediumGemini 3 Flash PreviewnonevsGPT-5.2mediumGPT-5.2mediumvsQwen3.5 Plus 2026-02-15noneGemini 3.1 Flash Lite PreviewnonevsGPT-5.2mediumGemini 3 Flash PreviewlowvsGPT-5.3-CodexmediumGemini 3.1 Flash Lite PreviewlowvsGPT-5.4mediumGemini 3.1 Flash Lite PreviewhighvsGPT-5.3-CodexmediumGemini 3.1 Flash Lite PreviewlowvsGPT-5.2mediumGemini 3.1 Flash Lite PreviewnonevsGPT-5.4mediumGPT-5.2mediumvsGLM 5none