#1 Gemini 3 Flash Preview
medium- लागत
- $0.010
- समय
- 17.9s
- टोकन
- 3,236 tok
Google
रिलीज़: 2025-12-17
परीक्षण किया गया: 2026-05-06 13:38
google/gemini-3-flash-preview::medium
सारांश
Gemini 3 Flash Preview AI BENCHY पर 9.8 स्कोर करता है और #1 पर है। इसकी reliability 10.0, pass rate 98.2%, कुल लागत $0.320, और औसत response time 11.53s है।
Gemini 3 Flash Preview को अलग क्या बनाता है: यह डोमेन-विशिष्ट में सबसे अलग दिखता है, जहाँ इसकी रैंक #1 है; जबकि पहेली समाधान इसकी सबसे कमजोर जगह है, जहाँ यह #8 पर है। यह कुल मिलाकर सबसे ऊँची रैंक वाले मॉडलों में से एक है। इस score range के लिए इसकी कुल benchmark लागत असामान्य रूप से कम है।
9.8
संगति
9.6
10.0
$0.320
कुल आउटपुट टोकन
101,480
कुल इनपुट टोकन
0
इनपुट कीमत
$0.500 / 1M
आउटपुट कीमत
$3.000 / 1M
अस्थिर टेस्ट
1
अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।
जनरेशन शोकेस
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 |
|---|---|---|---|---|---|
| 2026-06-04 13:59 नया टेस्ट जोड़ा गया | 9.8 | 10.0 | $0.667 | तुलना करें | |
| 2026-05-22 00:28 सूट बदला गया | 9.8 | 10.0 | $0.567 | तुलना करें | |
| 2026-05-06 13:52 सूट बदला गया | 10.0 | 10.0 | $0.321 | तुलना करें | |
| 2026-05-06 13:38 सूट बदला गया | 9.8 | 10.0 | $0.320 | वर्तमान रन | |
| 2026-04-23 15:25 दोबारा परीक्षण | 10.0 | लागू नहीं | $0.108 | तुलना करें | |
| 2026-04-11 01:44 पहला दर्ज रन | 10.0 | लागू नहीं | $0.314 | तुलना करें |
इस रन में अलग बेंचमार्क सूट इस्तेमाल हुआ था। ऐतिहासिक बदलाव पढ़ते समय सूट बदलाव को ध्यान में रखें।
रन तुलना
| रन | स्कोर | संगति | विश्वसनीयता | सही परीक्षण | अस्थिर टेस्ट | कुल आउटपुट टोकन | कुल इनपुट टोकन | कुल लागत | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-06 13:38 · सूट बदला गया | 9.8 | 9.6 | 10.0 | 17/18 | 1 | 101,480 | 0 | $0.320 | 11.53s |
| 2026-04-11 01:44 · पहला दर्ज रन | 10.0 | 10.0 | लागू नहीं | 18/18 | 0 | 99,113 | 0 | $0.314 | 17.60s |
| अंतर | -0.2 | -0.4 | -1 | +1 | +2367 | 0 | +$0.007 | -6071ms |
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
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 10.0 | 10.0 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 10.0 | 10.0 | |
| Samanya Buddhimatta | 10.0 | 10.0 | |
| निर्देश पालन | 10.0 | 10.0 | |
| पहेली समाधान | 9.0 | 7.9 | |
| टूल कॉलिंग | 10.0 | 10.0 |