#126 MoonshotAI: Kimi K2.5
none- लागत
- $0.015
- समय
- 89.1s
- टोकन
- 5,421 tok
Moonshot AI
रिलीज़: 2026-01-27
परीक्षण किया गया: 2026-05-22 00:03
moonshotai/kimi-k2.5::none
1T कुल (32B सक्रिय)MoEवेट उपलब्ध
(medium)
(none)
सारांश
Kimi K2.5 AI BENCHY पर 5.3 स्कोर करता है और #126 पर है। इसकी reliability 10.0, pass rate 36.7%, कुल लागत $0.026, और औसत response time 14.16s है।
Kimi K2.5 को अलग क्या बनाता है: यह डोमेन-विशिष्ट में सबसे अलग दिखता है, जहाँ इसकी रैंक #1 है; जबकि संयुक्त इसकी सबसे कमजोर जगह है, जहाँ यह #18 पर है। इस score range के लिए इसकी कुल benchmark लागत असामान्य रूप से कम है।
मॉडल विवरण
शोध की तारीख: 2026-08-12
- पैरामीटर
- 1T कुल (32B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- वेट उपलब्ध
- लाइसेंस
- Modified MIT
5.3
संगति
8.9
10.0
$0.026
कुल आउटपुट टोकन
6,734
कुल इनपुट टोकन
0
इनपुट कीमत
$0.400 / 1M
आउटपुट कीमत
$1.900 / 1M
अस्थिर टेस्ट
3
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 01:55 दोबारा परीक्षण | 5.4 | 10.0 | $0.127 ↑ | तुलना करें | |
| 2026-07-16 22:13 नया टेस्ट जोड़ा गया | 5.5 | 10.0 | $0.127 ↑ | तुलना करें | |
| 2026-06-04 13:32 नया टेस्ट जोड़ा गया | 5.2 | 10.0 | $0.028 ↑ | तुलना करें | |
| 2026-05-22 00:03 सूट बदला गया | 5.3 | 10.0 | $0.026 | वर्तमान रन | |
| 2026-04-20 17:48 पहला दर्ज रन | 5.5 | लागू नहीं | $0.017 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:03 · सूट बदला गया | 60/60 प्रयास | 5.3 | 8.9 | 10.0 | 6/20 | 3 | 6,734 | 0 | $0.026 | 14.16s |
| 2026-08-14 01:55 · दोबारा परीक्षण | 66/66 प्रयास | 5.4 | 8.6 | 10.0 | 5/22 | 4 | 26,643 | 89,320 | $0.127 | 18.03s |
| अंतर | — | -0.1 | +0.3 | 0.0 | +1 | -1 | -19909 | -89320 | -$0.102 | -3865ms |
बेंचमार्क कवरेज अलग है: 60/60 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
Kimi K2.5nonevsMiMo-V2.5-PrononeKimi K2.5nonevsDeepSeek V4 Flash 0731noneKimi K2.5nonevsGPT-5.6 LunanoneKimi K2.5nonevsLaguna S 2.1highनिःशुल्क उपलब्धKimi K2.5nonevsKAT-Coder-Air V2.5lowKimi K2.5nonevsInkling SmallnoneKimi K2.5nonevsLaguna S 2.1mediumनिःशुल्क उपलब्धKimi K2.5nonevsLaguna XS 2.1noneनिःशुल्क उपलब्धKimi K2.5nonevsDeepSeek V4 Flash 0423noneKimi K2.5nonevsSeed-2.0-Codenone
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 3.6 | 8.4 | |
| कोडिंग | 6.8 | 10.0 | |
| संयुक्त | 2.8 | 2.1 | |
| डेटा पार्सिंग और निष्कर्षण | 7.3 | 5.8 | |
| डोमेन-विशिष्ट | 5.3 | 10.0 | |
| Samanya Buddhimatta | 10.0 | 10.0 | |
| निर्देश पालन | 6.5 | 10.0 | |
| पहेली समाधान | 3.0 | 10.0 | |
| टूल कॉलिंग | 10.0 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |