#58 GPT-5.5
none- लागत
- $0.090
- समय
- 54.3s
- टोकन
- 3,063 tok
OpenAI
रिलीज़: 2026-04-24
परीक्षण किया गया: 2026-04-24 19:59
openai/gpt-5.5::none
~1.5T कुल (~100B सक्रिय)MoEबंद स्रोतअनुमानित
सारांश
GPT-5.5 AI BENCHY पर 6.8 स्कोर करता है और #58 पर है। इसकी reliability लागू नहीं, pass rate 61.1%, कुल लागत $0.195, और औसत response time 1.83s है।
GPT-5.5 को अलग क्या बनाता है: इस score range के लिए इसकी कुल benchmark लागत असामान्य रूप से कम है। यह समान मॉडलों की तुलना में काफ़ी तेज है।
मॉडल विवरण
शोध की तारीख: 2026-08-12
- पैरामीटर
- ~1.5T कुल (~100B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- बंद स्रोत
- लाइसेंस
- -
सार्वजनिक साक्ष्यों पर आधारित सर्वोत्तम अनुमान; प्रदाता ने सभी मान जारी नहीं किए हैं।
6.8
संगति
8.3
लागू नहीं
$0.195
कुल आउटपुट टोकन
1,910
कुल इनपुट टोकन
0
इनपुट कीमत
$5.000 / 1M
आउटपुट कीमत
$30.000 / 1M
अस्थिर टेस्ट
4
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 02:17 दोबारा परीक्षण | 7.0 | 10.0 | $0.544 | तुलना करें | |
| 2026-07-16 22:34 नया टेस्ट जोड़ा गया | 6.9 | 10.0 | $0.544 | तुलना करें | |
| 2026-06-04 13:46 नया टेस्ट जोड़ा गया | 6.4 | 10.0 | $0.231 | तुलना करें | |
| 2026-05-22 00:19 सूट बदला गया | 6.5 | 10.0 | $0.217 | तुलना करें | |
| 2026-04-24 19:59 पहला रन | 6.8 | लागू नहीं | $0.195 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-24 19:59 · पहला रन | 54/54 प्रयास | 6.8 | 8.3 | लागू नहीं | 9/18 | 4 | 1,910 | 0 | $0.195 | 1.83s |
| 2026-08-14 02:17 · दोबारा परीक्षण | 66/66 प्रयास | 7.0 | 9.2 | 10.0 | 12/22 | 2 | 4,915 | 79,294 | $0.544 | 2.35s |
| अंतर | — | -0.2 | -0.9 | -3 | +2 | -3005 | -79294 | -$0.350 | -528ms |
बेंचमार्क कवरेज अलग है: 54/54 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
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 6.9 | 7.9 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 3.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 2.9 | 7.2 | |
| Samanya Buddhimatta | 10.0 | 10.0 | |
| निर्देश पालन | 6.2 | 5.8 | |
| पहेली समाधान | 6.7 | 7.9 | |
| टूल कॉलिंग | 10.0 | 10.0 |