#98 Owl Alpha
medium
Provider returned error
- लागत
- $0.000
- समय
- 0.2s
- टोकन
- 0 tok
Openrouter
रिलीज़: 2026-04-30
परीक्षण किया गया: 2026-04-30 17:29
openrouter/owl-alpha::medium
1.6T कुल (48B सक्रिय)MoEमुक्त स्रोत
(medium)
(none)
सारांश
Owl Alpha AI BENCHY पर 5.6 स्कोर करता है और #98 पर है। इसकी reliability 10.0, pass rate 37.0%, कुल लागत $0.000, और औसत response time 11.04s है।
Owl Alpha को अलग क्या बनाता है: यह कोडिंग में सबसे अलग दिखता है, जहाँ इसकी रैंक #1 है; जबकि एंटी-एआई ट्रिक्स इसकी सबसे कमजोर जगह है, जहाँ यह #17 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
Owl Alpha, Meituan: LongCat 2.0 का स्टेल्थ संस्करण था।
मॉडल विवरण
शोध की तारीख: 2026-08-12
- पैरामीटर
- 1.6T कुल (48B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- मुक्त स्रोत
- लाइसेंस
- MIT
5.6
संगति
9.2
10.0
$0.000
कुल आउटपुट टोकन
1,596
कुल इनपुट टोकन
0
इनपुट कीमत
$0.000 / 1M
आउटपुट कीमत
$0.000 / 1M
अस्थिर टेस्ट
2
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 |
|---|---|---|---|---|---|
| 2026-06-04 14:30 नया टेस्ट जोड़ा गया | 5.6 | 10.0 | $0.000 | तुलना करें | |
| 2026-05-22 00:43 सूट बदला गया | 5.8 | 9.9 | $0.000 | तुलना करें | |
| 2026-04-30 17:29 पहला रन | 5.6 | 10.0 | $0.000 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-30 17:29 · पहला रन | 54/54 प्रयास | 5.6 | 9.2 | 10.0 | 6/18 | 2 | 1,596 | 0 | $0.000 | 11.04s |
| 2026-05-22 00:43 · सूट बदला गया | 60/60 प्रयास | 5.8 | 9.6 | 9.9 | 8/20 | 1 | 2,965 | 0 | $0.000 | 11.59s |
| अंतर | — | -0.2 | -0.4 | +0.1 | -2 | +1 | -1369 | 0 | $0.000 | -556ms |
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
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 4.8 | 10.0 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 3.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 5.3 | 10.0 | |
| Samanya Buddhimatta | 4.3 | 10.0 | |
| निर्देश पालन | 4.4 | 6.9 | |
| पहेली समाधान | 3.4 | 7.2 | |
| टूल कॉलिंग | 10.0 | 10.0 |