Qwen3.5 Plus 2026-02-15

Qwen रिलीज़: 2026-02-15 परीक्षण किया गया: 2026-04-11 01:44 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 8.5 स्कोर करता है और #8 पर है। इसकी reliability लागू नहीं, pass rate 83.3%, कुल लागत $0.220, और औसत response time 46.56s है।

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

8.5

संगति

9.1

विश्वसनीयता

लागू नहीं

कुल लागत (वर्तमान कीमत)

$0.220

कुल आउटपुट टोकन

114,010

कुल इनपुट टोकन

इनपुट कीमत

$0.260 / 1M

आउटपुट कीमत

$1.560 / 1M

सही परीक्षण

गलत टेस्ट: 4

प्रति प्रयास पास दर: 83.3%

अस्थिर टेस्ट

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

प्रतिक्रिया समय (औसत)

46.56s

प्रतिक्रिया समय (अधिकतम): 120.91s

प्रतिक्रिया समय (कुल): 512.20s

समय समाप्त: 2 गलत उत्तर: 2

Hamster playing table tennis

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

#8 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
2026-08-14 01:42 दोबारा परीक्षण	7.5	10.0	$0.459 ↓	तुलना करें
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	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)
2026-04-11 01:44 · पहला दर्ज रन	54/54 प्रयास	8.5	9.1	लागू नहीं	14/18	2	114,010	0	$0.220	46.56s
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	—	+1.0	+0.6		0	-2	-146694	-113560	-$0.218	-42631ms

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।

कुल आउटपुट टोकन

स्कोर vs कुल आउटपुट टोकन

त्वरित तुलना

श्रेणी विवरण

श्रेणी	स्कोर	संगति
एंटी-एआई ट्रिक्स	8.2	7.9
कोडिंग	10.0	10.0
संयुक्त	10.0	10.0
डेटा पार्सिंग और निष्कर्षण	10.0	10.0
डोमेन-विशिष्ट	5.3	10.0
Samanya Buddhimatta	4.7	1.6
निर्देश पालन	10.0	10.0
पहेली समाधान	10.0	10.0
टूल कॉलिंग	10.0	10.0

Qwen3.5 Plus 2026-02-15

मॉडल विवरण

Hamster playing table tennis

#8 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