#142

Qwen3.5 Plus 2026-02-15

Qwen रिलीज़: 2026-02-15 परीक्षण किया गया: 2026-10-01 00:30 qwen/qwen3.5-plus-02-15::medium

~397B कुल (~17B सक्रिय)MoEबंद स्रोतअनुमानित

(medium) (none)

सारांश

Qwen3.5 Plus 2026-02-15 AI BENCHY पर 7.2 स्कोर करता है और #142 पर है। इसकी reliability 10.0, pass rate 72.5%, कुल लागत $0.567, और औसत response time 97.68s है।

सुझाए गए विकल्प

हम इसकी जगह इनमें से एक मॉडल चुनने की सलाह देते हैं:

Gemini 3.7 Flash (low)

स्कोर: 9.4 (+2.14 अंक)
कुल लागत (वर्तमान कीमत): $0.183 · 67.8% सस्ता
प्रतिक्रिया समय (औसत): 6.24s · 93.6% तेज़

तुलना करें →

DeepSeek V4 Flash 0423 (high)

स्कोर: 8.1 (+0.84 अंक)
कुल लागत (वर्तमान कीमत): $0.020 · 96.5% सस्ता
प्रतिक्रिया समय (औसत): 55.99s · 42.7% तेज़

तुलना करें →

Space Bunny Alpha (high)

स्कोर: 7.5 (+0.32 अंक)
कुल लागत (वर्तमान कीमत): $0.000 · 100.0% सस्ता
प्रतिक्रिया समय (औसत): 29.38s · 69.9% तेज़

तुलना करें →

मॉडल विवरण

शोध की तारीख: 2026-08-12

अनुमानित

पैरामीटर: ~397B कुल (~17B सक्रिय)
आर्किटेक्चर: MoE
उपलब्धता: बंद स्रोत
लाइसेंस: -

सार्वजनिक साक्ष्यों पर आधारित सर्वोत्तम अनुमान; प्रदाता ने सभी मान जारी नहीं किए हैं।

पैरामीटर स्रोत उपलब्धता स्रोत

स्कोर

7.2

संगति

7.9

विश्वसनीयता

10.0

कुल लागत (वर्तमान कीमत)

$0.567

कुल आउटपुट टोकन

302,730

कुल इनपुट टोकन

249,486

इनपुट कीमत

$0.260 / 1M

आउटपुट कीमत

$1.560 / 1M

कैश पढ़ने की कीमत

लागू नहीं

कैश लिखने की कीमत

लागू नहीं

कैश की कीमतें इनपुट टोकन पर लागू होती हैं। पढ़ने पर कैश किए गए प्रॉम्प्ट का दोबारा उपयोग होता है; लिखने पर वे सहेजे जाते हैं और अतिरिक्त लागत हो सकती है। आउटपुट टोकन पर आउटपुट की कीमत लागू होती है।

सही परीक्षण

गलत टेस्ट: 9

प्रति प्रयास पास दर: 72.5%

अस्थिर टेस्ट

अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।

प्रतिक्रिया समय (औसत)

97.68s

प्रतिक्रिया समय (अधिकतम): 304.85s

प्रतिक्रिया समय (कुल): 1562.81s

गलत उत्तर: 6 समय समाप्त: 2 अमान्य टूल कॉल: 1

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#142 Qwen3.5 Plus 2026-02-15

medium

लागत: $0.011
समय: 125.5s
टोकन: 7,040 tok

रन इतिहास

परीक्षण किया गया	स्कोर	विश्वसनीयता	कुल लागत	तुलना करें
2026-10-01 00:30 दोबारा परीक्षण	7.2	10.0	$0.567	वर्तमान रन
2026-07-16 21:32 नया टेस्ट जोड़ा गया	7.5	10.0	$0.437 ↓	तुलना करें
2026-06-04 13:17 नया टेस्ट जोड़ा गया	7.9	8.9	$0.310 ↓	तुलना करें
2026-05-21 23:53 सूट बदला गया	8.1	10.0	$0.317	तुलना करें
2026-04-11 01:44 पहला दर्ज रन	8.5	लागू नहीं	$0.220	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)
2026-10-01 00:30 · वर्तमान रन	69/69 प्रयास	7.2	7.9	10.0	14/23	6	302,730	249,486	$0.567	97.68s
2026-07-16 21:32 · नया टेस्ट जोड़ा गया	66/66 प्रयास	7.5	8.5	10.0	14/22	4	260,704	113,560	$0.437	89.19s
अंतर	—	-0.3	-0.6	0.0	0	+2	+42026	+135926	+$0.131	+8481ms

बेंचमार्क कवरेज अलग है: 69/69 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।

कुल आउटपुट टोकन

स्कोर vs कुल आउटपुट टोकन

त्वरित तुलना

श्रेणी विवरण

श्रेणी	स्कोर	संगति
स्वायत्त एजेंट कार्य	6.1	3.1
एंटी-एआई ट्रिक्स	8.2	7.9
कोडिंग	6.6	7.1
संयुक्त	6.9	5.9
डेटा पार्सिंग और निष्कर्षण	10.0	10.0
डोमेन-विशिष्ट	5.3	7.2
Samanya Buddhimatta	4.7	1.6
निर्देश पालन	10.0	10.0
पहेली समाधान	10.0	10.0
टूल कॉलिंग	10.0	10.0
सामान्य ज्ञान	3.0	10.0

Qwen3.5 Plus 2026-02-15

सुझाए गए विकल्प

मॉडल विवरण

Hamster playing table tennis

#142 Qwen3.5 Plus 2026-02-15

चार्ट

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

तुलना किए गए मॉडल