#51 MoonshotAI: Kimi K2.5
medium- लागत
- $0.030
- समय
- 58.6s
- टोकन
- 8,683 tok
Moonshot AI
रिलीज़: 2026-01-27
परीक्षण किया गया: 2026-04-20 17:48
moonshotai/kimi-k2.5::medium
1T कुल (32B सक्रिय)MoEवेट उपलब्ध
(medium)
(none)
सारांश
Kimi K2.5 AI BENCHY पर 7.0 स्कोर करता है और #51 पर है। इसकी reliability लागू नहीं, pass rate 72.2%, कुल लागत $0.220, और औसत response time 72.43s है।
Kimi K2.5 को अलग क्या बनाता है: यह संयुक्त में सबसे अलग दिखता है, जहाँ इसकी रैंक #1 है; जबकि कोडिंग इसकी सबसे कमजोर जगह है, जहाँ यह #18 पर है।
मॉडल विवरण
शोध की तारीख: 2026-08-12
- पैरामीटर
- 1T कुल (32B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- वेट उपलब्ध
- लाइसेंस
- Modified MIT
7.0
संगति
6.8
लागू नहीं
$0.220
कुल आउटपुट टोकन
127,046
कुल इनपुट टोकन
0
इनपुट कीमत
$0.440 / 1M
आउटपुट कीमत
$2.000 / 1M
अस्थिर टेस्ट
7
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 02:00 दोबारा परीक्षण | 7.0 | 10.0 | $0.607 ↑ | तुलना करें | |
| 2026-07-16 22:17 नया टेस्ट जोड़ा गया | 7.0 | 10.0 | $0.600 ↑ | तुलना करें | |
| 2026-06-04 13:43 नया टेस्ट जोड़ा गया | 6.8 | 10.0 | $0.328 ↓ | तुलना करें | |
| 2026-05-22 00:12 सूट बदला गया | 6.7 | 10.0 | $0.314 | तुलना करें | |
| 2026-04-20 17:48 पहला दर्ज रन | 7.0 | लागू नहीं | $0.220 | वर्तमान रन |
रन तुलना
| रन | बेंचमार्क कवरेज | स्कोर | संगति | विश्वसनीयता | सही परीक्षण | अस्थिर टेस्ट | कुल आउटपुट टोकन | कुल इनपुट टोकन | कुल लागत | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-20 17:48 · पहला दर्ज रन | 54/54 प्रयास | 7.0 | 6.8 | लागू नहीं | 9/18 | 7 | 127,046 | 0 | $0.220 | 72.43s |
| 2026-05-22 00:12 · सूट बदला गया | 60/60 प्रयास | 6.7 | 6.8 | 10.0 | 9/20 | 8 | 174,803 | 0 | $0.314 | 89.36s |
| अंतर | — | +0.3 | 0.0 | 0 | -1 | -47757 | 0 | -$0.094 | -16930ms |
बेंचमार्क कवरेज अलग है: 54/54 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।
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
Kimi K2.5mediumvsSeed-2.0-MinimediumKimi K2.5mediumvsKAT-Coder-Pro V2.5mediumKimi K2.5mediumvsGrok 4.20mediumKimi K2.5mediumvsQwen3.7 FlashmediumKimi K2.5mediumvsMercury 2mediumKimi K2.5mediumvsSeed-2.0-CodehighKimi K2.5mediumvsGPT-5.5noneKimi K2.5mediumvsGemini 3.5 FlashnoneKimi K2.5mediumvsGLM 5.1mediumKimi K2.5mediumvsQwen3.6 Flashmedium
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 7.3 | 5.8 | |
| कोडिंग | 4.7 | 1.6 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 3.5 | 4.4 | |
| Samanya Buddhimatta | 6.5 | 3.4 | |
| निर्देश पालन | 10.0 | 10.0 | |
| पहेली समाधान | 5.3 | 7.3 | |
| टूल कॉलिंग | 10.0 | 10.0 |