AI BENCHY
Advertise here
#70

Claude Opus 4.8

Anthropic रिलीज़: 2026-05-28 परीक्षण किया गया: 2026-06-30 22:01 anthropic/claude-opus-4.8::none
(medium) (low) (none)

सारांश

Claude Opus 4.8 AI BENCHY पर 7.2 स्कोर करता है और #70 पर है। इसकी reliability 10.0, pass rate 61.9%, कुल लागत $0.539, और औसत response time 3.48s है।

Claude Opus 4.8 को अलग क्या बनाता है: यह निर्देश पालन में सबसे अलग दिखता है, जहाँ इसकी रैंक #3 है; जबकि डेटा पार्सिंग और निष्कर्षण इसकी सबसे कमजोर जगह है, जहाँ यह #12 पर है। यह समान मॉडलों की तुलना में काफ़ी तेज है।

स्कोर

7.2

संगति

9.2

विश्वसनीयता

10.0

कुल लागत (वर्तमान कीमत)

$0.539

कुल आउटपुट टोकन

8,107

कुल इनपुट टोकन

67,104

इनपुट कीमत

$5.000 / 1M

आउटपुट कीमत

$25.000 / 1M

सही परीक्षण

गलत टेस्ट: 9

प्रति प्रयास पास दर: 61.9%

अस्थिर टेस्ट

2

अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।

प्रतिक्रिया समय (औसत)

3.48s

प्रतिक्रिया समय (अधिकतम): 17.73s

प्रतिक्रिया समय (कुल): 73.00s

गलत उत्तर: 4 अतिरिक्त फॉर्मेटिंग: 3 निर्देशों का पालन नहीं किया: 1 कोई उत्तर नहीं: 1

जनरेशन शोकेस

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#70 Claude Opus 4.8

none
लागत
$0.053
समय
22.0s
टोकन
2,253 tok

रन इतिहास

परीक्षण किया गया स्कोर विश्वसनीयता सही परीक्षण कुल लागत तुलना करें
2026-06-30 22:01 दोबारा परीक्षण 7.2 10.0 $0.539 वर्तमान रन
2026-06-04 13:44 नया टेस्ट जोड़ा गया 7.0 10.0 $0.539 तुलना करें
2026-05-28 17:34 पहला रन 7.3 10.0 $0.519 तुलना करें

रन तुलना

रनस्कोरसंगतिविश्वसनीयतासही परीक्षणअस्थिर टेस्टकुल आउटपुट टोकनकुल इनपुट टोकनकुल लागतप्रतिक्रिया समय (औसत)
2026-06-30 22:01 · वर्तमान रन7.29.210.012/2128,10767,104$0.5393.48s
2026-05-28 17:34 · पहला रन7.39.210.012/2028,0980$0.5193.51s
अंतर-0.10.00.000+9+67104+$0.020-33ms

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
2026-06-04 15:40 $5.000 / 1M $25.000 / 1M

चार्ट

पहले मॉडल चुनें, फिर दूसरा मॉडल क्लिक करके साइड-बाय-साइड पेज खोलें।

कुल आउटपुट टोकन

स्कोर vs कुल आउटपुट टोकन

त्वरित तुलना

Claude Opus 4.8nonevsGemini 3 Flash PreviewlowClaude Opus 4.8nonevsMiMo-V2.5-PromediumClaude Opus 4.8nonevsClaude Sonnet 4.6noneClaude Opus 4.8nonevsSeed-2.0-MinimediumClaude Opus 4.8nonevsGemini 3.5 FlashhighClaude Opus 4.8nonevsGemini 3 Flash PreviewmediumClaude Opus 4.8nonevsNemotron 3 Ultra 550b A55bmediumनिःशुल्क उपलब्धClaude Opus 4.8nonevsGPT-5.5low

श्रेणी विवरण

श्रेणी स्कोर संगति सही परीक्षण
एंटी-एआई ट्रिक्स 6.5 10.0
कोडिंग 5.5 10.0
संयुक्त 9.5 10.0
डेटा पार्सिंग और निष्कर्षण 7.3 5.8
डोमेन-विशिष्ट 5.3 7.2
Samanya Buddhimatta 10.0 10.0
निर्देश पालन 9.9 10.0
पहेली समाधान 7.7 10.0
टूल कॉलिंग 10.0 10.0
सामान्य ज्ञान 3.0 10.0

तुलना किए गए मॉडल