सारांश
Ling-2.6-flash AI BENCHY पर 4.3 स्कोर करता है और #243 पर है। इसकी reliability लागू नहीं, pass rate 28.8%, कुल लागत $0.000, और औसत response time 1.27s है।
Ling-2.6-flash को अलग क्या बनाता है: यह निर्देश पालन में सबसे अलग दिखता है, जहाँ इसकी रैंक #1 है; जबकि संयुक्त इसकी सबसे कमजोर जगह है, जहाँ यह #8 पर है। इस score range के लिए इसकी कुल benchmark लागत असामान्य रूप से कम है।
संग्रहीत मॉडल: इस मॉडल को अब अपडेट नहीं किया जाएगा और नए परीक्षणों में टेस्ट नहीं किया जाएगा।
पहचान नोट
Elephant Alpha, Ling-2.6-flash का स्टेल्थ संस्करण था।
यह पेज फिलहाल Elephant Alpha के तहत एकत्र किए गए बेंचमार्क डेटा को दिखाता है।
शोध की तारीख: 2026-08-12
4.3
संगति
9.2
लागू नहीं
$0.000
कुल आउटपुट टोकन
2,596
कुल इनपुट टोकन
33,744
इनपुट कीमत
$0.000 / 1M
आउटपुट कीमत
$0.000 / 1M
अस्थिर टेस्ट
1
अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।
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 14:27 नया टेस्ट जोड़ा गया | 4.3 | लागू नहीं | $0.000 | वर्तमान रन | |
| 2026-05-22 00:40 सूट बदला गया | 5.4 | लागू नहीं | $0.000 | तुलना करें | |
| 2026-04-22 12:55 पहला दर्ज रन | 5.2 | लागू नहीं | $0.000 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-06-04 14:27 · वर्तमान रन | 21/22 टेस्ट · 63/66 प्रयास | 4.3 | 9.2 | लागू नहीं | 6/21 | 1 | 2,596 | 33,744 | $0.000 | 1.27s |
| 2026-05-22 00:40 · सूट बदला गया | 20/20 टेस्ट · 60/60 प्रयास | 5.4 | 9.6 | लागू नहीं | 6/19 | 1 | 2,596 | 0 | $0.000 | 1.27s |
| अंतर | — | -1.1 | -0.4 | -1 | 0 | 0 | +33744 | $0.000 | 0ms |
बेंचमार्क कवरेज अलग है: 21/21 टेस्ट · 63/63 प्रयास (लक्ष्य: प्रति टेस्ट 3 दोहराव) बनाम 20/20 टेस्ट · 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।
पहले मॉडल चुनें, फिर दूसरा मॉडल क्लिक करके साइड-बाय-साइड पेज खोलें।
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 6.6 | 10.0 | |
| कोडिंग | 3.7 | 7.8 | |
| संयुक्त | 1.5 | 5.0 | |
| डेटा पार्सिंग और निष्कर्षण | 6.5 | 10.0 | |
| डोमेन-विशिष्ट | 3.0 | 10.0 | |
| Samanya Buddhimatta | 4.3 | 10.0 | |
| निर्देश पालन | 9.8 | 10.0 | |
| पहेली समाधान | 5.3 | 10.0 | |
| टूल कॉलिंग | 3.0 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |