#223 Claude Opus 4.6
medium
Reached the allocated time limit (300 seconds) without receiving showcase output.
- लागत
- $0.000
- समय
- 300.0s
- टोकन
- 0 tok
Anthropic
रिलीज़: 2026-02-05
परीक्षण किया गया: 2026-08-14 02:08
anthropic/claude-opus-4.6::medium
~5T कुल (~500B सक्रिय)MoEबंद स्रोतअनुमानित सारांश
Claude Opus 4.6 AI BENCHY पर 6.3 स्कोर करता है और #223 पर है। इसकी reliability 10.0, pass rate 60.9%, कुल लागत $2.961, और औसत response time 32.23s है।
Claude Opus 4.6 को अलग क्या बनाता है: यह संयुक्त में सबसे अलग दिखता है, जहाँ इसकी रैंक #1 है; जबकि स्वायत्त एजेंट कार्य इसकी सबसे कमजोर जगह है, जहाँ यह #16 पर है।
संग्रहीत मॉडल: इस मॉडल को अब अपडेट नहीं किया जाएगा और नए परीक्षणों में टेस्ट नहीं किया जाएगा।
मॉडल विवरण
शोध की तारीख: 2026-08-12
- पैरामीटर
- ~5T कुल (~500B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- बंद स्रोत
- लाइसेंस
- -
सार्वजनिक साक्ष्यों पर आधारित सर्वोत्तम अनुमान; प्रदाता ने सभी मान जारी नहीं किए हैं।
6.3
संगति
8.5
10.0
$2.961
कुल आउटपुट टोकन
96,722
कुल इनपुट टोकन
108,573
इनपुट कीमत
$5.000 / 1M
आउटपुट कीमत
$25.000 / 1M
कैश पढ़ने की कीमत
$0.500 / 1M
कैश लिखने की कीमत
$6.250 / 1M
कैश की कीमतें इनपुट टोकन पर लागू होती हैं। पढ़ने पर कैश किए गए प्रॉम्प्ट का दोबारा उपयोग होता है; लिखने पर वे सहेजे जाते हैं और अतिरिक्त लागत हो सकती है। आउटपुट टोकन पर आउटपुट की कीमत लागू होती है।
अस्थिर टेस्ट
3
अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
रन इतिहास
| परीक्षण किया गया | स्कोर | विश्वसनीयता | सही परीक्षण | कुल लागत | तुलना करें |
|---|---|---|---|---|---|
| 2026-08-14 02:08 दोबारा परीक्षण | 6.3 | 10.0 | $2.961 | वर्तमान रन | |
| 2026-07-16 22:31 नया टेस्ट जोड़ा गया | 7.7 | 10.0 | $3.059 | तुलना करें | |
| 2026-06-04 13:45 नया टेस्ट जोड़ा गया | 7.0 | 10.0 | $2.053 | तुलना करें | |
| 2026-05-22 00:17 सूट बदला गया | 7.2 | 10.0 | $1.896 | तुलना करें | |
| 2026-04-11 01:44 पहला दर्ज रन | 7.6 | लागू नहीं | $1.446 | तुलना करें |
इस रन में अलग बेंचमार्क सूट इस्तेमाल हुआ था। ऐतिहासिक बदलाव पढ़ते समय सूट बदलाव को ध्यान में रखें।
रन तुलना
| रन | बेंचमार्क कवरेज | स्कोर | संगति | विश्वसनीयता | सही परीक्षण | अस्थिर टेस्ट | कुल आउटपुट टोकन | कुल इनपुट टोकन | कुल लागत | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-08-14 02:08 · वर्तमान रन | 66/69 प्रयास | 6.3 | 8.5 | 10.0 | 13/22 | 3 | 96,722 | 108,573 | $2.961 | 32.23s |
| 2026-04-11 01:44 · पहला दर्ज रन | 54/54 प्रयास | 7.6 | 9.1 | लागू नहीं | 12/18 | 2 | 48,767 | 0 | $1.446 | 21.08s |
| अंतर | — | -1.3 | -0.6 | +1 | +1 | +47955 | +108573 | +$1.516 | +11152ms |
बेंचमार्क कवरेज अलग है: 66/69 प्रयास (लक्ष्य: प्रति टेस्ट 3 दोहराव) बनाम 54/54 प्रयास (लक्ष्य: प्रति टेस्ट 3 दोहराव)। कुल और दोहराव-संवेदनशील मेट्रिक सीधे तुलना योग्य नहीं हैं।
इन दो रन में अलग-अलग बेंचमार्क सूट इस्तेमाल हुए थे, इसलिए अंतर मॉडल बदलाव और सूट बदलाव दोनों को दर्शाते हैं।
कीमत का इतिहास
OpenRouter से इस मॉडल का ऐतिहासिक मूल्य डेटा।
| तारीख | इनपुट कीमत | आउटपुट कीमत | कैश पढ़ने की कीमत | कैश लिखने की कीमत |
|---|---|---|---|---|
| 2026-08-14 12:51 | $5.000 / 1M | $25.000 / 1M | लागू नहीं | लागू नहीं |
| 2026-10-01 18:33 | $5.000 / 1M | $25.000 / 1M | $0.500 / 1M | $6.250 / 1M |
चार्ट
पहले मॉडल चुनें, फिर दूसरा मॉडल क्लिक करके साइड-बाय-साइड पेज खोलें।
स्कोर के अनुसार शीर्ष मॉडल
स्कोर vs कुल लागत
प्रतिक्रिया समय (औसत)
स्कोर vs प्रतिक्रिया समय (औसत)
कुल आउटपुट टोकन
स्कोर vs कुल आउटपुट टोकन
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| स्वायत्त एजेंट कार्य | 0.0 | 0.0 | |
| एंटी-एआई ट्रिक्स | 6.4 | 5.8 | |
| कोडिंग | 5.7 | 7.1 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 3.0 | 10.0 | |
| Samanya Buddhimatta | 10.0 | 10.0 | |
| निर्देश पालन | 10.0 | 10.0 | |
| पहेली समाधान | 7.7 | 10.0 | |
| टूल कॉलिंग | 10.0 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |