#59 DeepSeek V3.2
medium- लागत
- $0.001
- समय
- 53.6s
- टोकन
- 1,932 tok
DeepSeek
रिलीज़: 2025-12-01
परीक्षण किया गया: 2026-05-08 15:27
deepseek/deepseek-v3.2::medium
671B कुल (37B सक्रिय)MoEमुक्त स्रोत
(medium)
(none)
सारांश
DeepSeek V3.2 AI BENCHY पर 7.2 स्कोर करता है और #59 पर है। इसकी reliability 10.0, pass rate 72.8%, कुल लागत $0.031, और औसत response time 46.06s है।
DeepSeek V3.2 को अलग क्या बनाता है: इस score range के लिए इसकी कुल benchmark लागत असामान्य रूप से कम है।
मॉडल विवरण
शोध की तारीख: 2026-08-12
- पैरामीटर
- 671B कुल (37B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- मुक्त स्रोत
- लाइसेंस
- MIT
7.2
संगति
7.5
10.0
$0.031
कुल आउटपुट टोकन
60,800
कुल इनपुट टोकन
0
इनपुट कीमत
$0.252 / 1M
आउटपुट कीमत
$0.378 / 1M
अस्थिर टेस्ट
6
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 03:00 दोबारा परीक्षण | 7.0 | 10.0 | $0.078 ↑ | तुलना करें | |
| 2026-07-16 23:13 नया टेस्ट जोड़ा गया | 7.0 | 10.0 | $0.078 ↑ | तुलना करें | |
| 2026-06-04 14:41 नया टेस्ट जोड़ा गया | 7.0 | 10.0 | $0.044 ↓ | तुलना करें | |
| 2026-05-22 00:46 सूट बदला गया | 7.0 | 9.1 | $0.037 | तुलना करें | |
| 2026-05-08 15:27 सूट बदला गया | 7.2 | 10.0 | $0.031 | वर्तमान रन | |
| 2026-04-20 17:48 पहला दर्ज रन | 8.0 | लागू नहीं | $0.029 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-08 15:27 · सूट बदला गया | 57/57 प्रयास | 7.2 | 7.5 | 10.0 | 11/19 | 6 | 60,800 | 0 | $0.031 | 46.06s |
| 2026-08-14 03:00 · दोबारा परीक्षण | 66/66 प्रयास | 7.0 | 7.4 | 10.0 | 11/22 | 7 | 128,787 | 101,056 | $0.078 | 68.43s |
| अंतर | — | +0.2 | +0.1 | 0.0 | 0 | -1 | -67987 | -101056 | -$0.047 | -22368ms |
बेंचमार्क कवरेज अलग है: 57/57 प्रयास (लक्ष्य: प्रति टेस्ट 3 दोहराव) बनाम 66/66 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।
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
त्वरित तुलना
DeepSeek V3.2mediumvsGPT-5.6 SolnoneDeepSeek V3.2mediumvsGLM 5.1mediumDeepSeek V3.2mediumvsGrok 4.3mediumDeepSeek V3.2mediumvsGPT-5.5noneDeepSeek V3.2mediumvsSolar Pro 4highDeepSeek V3.2mediumvsMercury 2mediumDeepSeek V3.2mediumvsStep 3.7 FlashlowDeepSeek V3.2mediumvsGrok 4.20mediumDeepSeek V3.2mediumvsMuse Glimmer 30BlowDeepSeek V3.2mediumvsSeed-2.0-Minimedium
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 9.2 | 10.0 | |
| कोडिंग | 4.7 | 1.6 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 2.9 | 4.4 | |
| Samanya Buddhimatta | 3.8 | 2.5 | |
| निर्देश पालन | 10.0 | 10.0 | |
| पहेली समाधान | 6.7 | 5.0 | |
| टूल कॉलिंग | 10.0 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |