#1
Google
रिलीज़: 2025-12-17
परीक्षण किया गया: 2026-05-06 13:38
google/gemini-3-flash-preview::medium
???? ???
$0.500 / 1M
????? ???
$3.000 / 1M
अस्थिर टेस्ट
1
अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।
रन इतिहास
| परीक्षण किया गया | स्कोर | विश्वसनीयता | सही परीक्षण | कुल लागत | 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 लागत | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|---|
| 2026-05-06 13:38 · सूट बदला गया | 9.8 | 9.6 | 10.0 | 17/18 | 1 | 101,480 | $0.320 | 11.53s |
| 2026-04-23 15:25 · दोबारा परीक्षण | 10.0 | 10.0 | लागू नहीं | 18/18 | 0 | 34,404 | $0.108 | 12.11s |
| अंतर | -0.2 | -0.4 | -1 | +1 | +67076 | +$0.212 | -582ms |
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 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 |