#7
OpenAI
रिलीज़: 2026-02-05
परीक्षण किया गया: 2026-04-11 01:44
openai/gpt-5.3-codex::medium
???? ???
$1.750 / 1M
????? ???
$14.000 / 1M
अस्थिर टेस्ट
3
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 |
|---|---|---|---|---|---|
| 2026-05-22 00:19 दोबारा परीक्षण | 8.3 | 10.0 | $0.685 | तुलना करें | |
| 2026-04-11 01:44 पहला दर्ज रन | 8.6 | लागू नहीं | $0.573 | वर्तमान रन |
रन तुलना
| रन | स्कोर | संगति | विश्वसनीयता | सही परीक्षण | अस्थिर टेस्ट | कुल आउटपुट टोकन | कुल लागत | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|---|
| 2026-04-11 01:44 · पहला दर्ज रन | 8.6 | 8.7 | लागू नहीं | 13/18 | 3 | 37,458 | $0.573 | 15.38s |
| 2026-05-22 00:19 · दोबारा परीक्षण | 8.3 | 8.4 | 10.0 | 14/20 | 4 | 44,948 | $0.685 | 15.97s |
| अंतर | +0.2 | +0.3 | -1 | -1 | -7490 | -$0.113 | -581ms |
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 | 8.7 | 7.9 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 5.9 | 7.2 | |
| Samanya Buddhimatta | 4.6 | 10.0 | |
| निर्देश पालन | 10.0 | 10.0 | |
| पहेली समाधान | 9.0 | 7.9 | |
| टूल कॉलिंग | 10.0 | 10.0 |