#18 Grok 4.20 Beta
medium- लागत
- $0.034
- समय
- 91.0s
- टोकन
- 13,523 tok
X AI
रिलीज़: 2026-03-12
परीक्षण किया गया: 2026-05-06 14:15
x-ai/grok-4.20-beta::medium
(medium)
(none)
सारांश
Grok 4.20 Beta AI BENCHY पर 8.2 स्कोर करता है और #18 पर है। इसकी reliability लागू नहीं, pass rate 79.6%, कुल लागत $0.633, और औसत response time 9.81s है।
Grok 4.20 Beta को अलग क्या बनाता 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
Grok 4.20 Beta, xAI: Grok 4.20 का प्रीव्यू संस्करण था।
8.2
संगति
9.1
लागू नहीं
$0.633
कुल आउटपुट टोकन
93,477
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 |
|---|---|---|---|---|---|
| 2026-05-06 14:15 दोबारा परीक्षण | 6.0 | लागू नहीं | $0.750 ↑ | तुलना करें | |
| 2026-05-06 14:15 दोबारा परीक्षण | 8.5 | लागू नहीं | $0.750 ↑ | तुलना करें | |
| 2026-05-06 14:15 दोबारा परीक्षण | 8.2 | लागू नहीं | $0.633 | तुलना करें | |
| 2026-05-06 14:15 दोबारा परीक्षण | 8.2 | लागू नहीं | $0.633 | तुलना करें | |
| 2026-05-06 14:15 सूट बदला गया | 8.2 | लागू नहीं | $0.633 | वर्तमान रन | |
| 2026-04-11 01:19 पहला दर्ज रन | 8.0 | लागू नहीं | $0.633 | तुलना करें |
इस रन में अलग बेंचमार्क सूट इस्तेमाल हुआ था। ऐतिहासिक बदलाव पढ़ते समय सूट बदलाव को ध्यान में रखें।
रन तुलना
| रन | स्कोर | संगति | विश्वसनीयता | सही परीक्षण | अस्थिर टेस्ट | कुल आउटपुट टोकन | कुल इनपुट टोकन | कुल लागत | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-06 14:15 · सूट बदला गया | 8.2 | 9.1 | लागू नहीं | 13/18 | 2 | 93,477 | 0 | $0.633 | 9.81s |
| 2026-05-06 14:15 · दोबारा परीक्षण | 6.0 | 7.8 | लागू नहीं | 14/18 | 1 | 93,212 | 35,955 | $0.750 | 9.75s |
| अंतर | +2.2 | +1.3 | -1 | +1 | +265 | -35955 | -$0.118 | +63ms |
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 | 8.7 | 7.9 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 5.3 | 10.0 | |
| Samanya Buddhimatta | 10.0 | 10.0 | |
| निर्देश पालन | 9.8 | 10.0 | |
| पहेली समाधान | 8.2 | 7.2 | |
| टूल कॉलिंग | 3.0 | 10.0 |