#207 Claude Sonnet 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: 2026-02-17
परीक्षण किया गया: 2026-08-14 02:03
anthropic/claude-sonnet-4.6::medium
~1T कुल (~100B सक्रिय)MoEबंद स्रोतअनुमानित
(medium)
(none)
सारांश
Claude Sonnet 4.6 AI BENCHY पर 6.4 स्कोर करता है और #207 पर है। इसकी reliability 10.0, pass rate 62.3%, कुल लागत $2.126, और औसत response time 28.08s है।
Claude Sonnet 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 #17 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
- ~1T कुल (~100B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- बंद स्रोत
- लाइसेंस
- -
सार्वजनिक साक्ष्यों पर आधारित सर्वोत्तम अनुमान; प्रदाता ने सभी मान जारी नहीं किए हैं।
6.4
संगति
9.1
10.0
$2.126
कुल आउटपुट टोकन
120,427
कुल इनपुट टोकन
106,316
इनपुट कीमत
$3.000 / 1M
आउटपुट कीमत
$15.000 / 1M
कैश पढ़ने की कीमत
$0.300 / 1M
कैश लिखने की कीमत
$3.750 / 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
1
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 02:03 दोबारा परीक्षण | 6.4 | 10.0 | $2.126 | वर्तमान रन | |
| 2026-07-16 22:27 नया टेस्ट जोड़ा गया | 7.8 | 10.0 | $2.057 | तुलना करें | |
| 2026-06-04 13:42 नया टेस्ट जोड़ा गया | 7.4 | 10.0 | $1.418 | तुलना करें | |
| 2026-05-22 00:14 सूट बदला गया | 7.6 | 10.0 | $1.330 | तुलना करें | |
| 2026-04-11 01:44 पहला दर्ज रन | 8.0 | लागू नहीं | $1.161 | 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 02:03 · वर्तमान रन | 66/69 प्रयास | 6.4 | 9.1 | 10.0 | 14/22 | 1 | 120,427 | 106,316 | $2.126 | 28.08s |
| 2026-05-22 00:14 · सूट बदला गया | 60/60 प्रयास | 7.6 | 9.2 | 10.0 | 13/20 | 2 | 79,442 | 0 | $1.330 | 15.72s |
| अंतर | — | -1.2 | -0.1 | 0.0 | +1 | -1 | +40985 | +106316 | +$0.796 | +12353ms |
बेंचमार्क कवरेज अलग है: 66/69 प्रयास (लक्ष्य: प्रति टेस्ट 3 दोहराव) बनाम 60/60 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 | $3.000 / 1M | $15.000 / 1M | लागू नहीं | लागू नहीं |
| 2026-10-01 18:33 | $3.000 / 1M | $15.000 / 1M | $0.300 / 1M | $3.750 / 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 | 6.5 | 10.0 | |
| कोडिंग | 5.7 | 6.6 | |
| 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 | 10.0 | 10.0 | |
| टूल कॉलिंग | 10.0 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |