Advertise here
#52

Grok 4.20

X AI रिलीज़: 2026-03-31 परीक्षण किया गया: 2026-04-11 01:44 x-ai/grok-4.20::medium
~1T कुल (~100B सक्रिय)MoEबंद स्रोतअनुमानित
(medium) (none)

सारांश

Grok 4.20 AI BENCHY पर 7.0 स्कोर करता है और #52 पर है। इसकी reliability लागू नहीं, pass rate 66.7%, कुल लागत $0.743, और औसत response time 10.33s है।

पहचान नोट

Grok 4.20 Beta, Grok 4.20 का प्रीव्यू संस्करण था।

मॉडल विवरण

शोध की तारीख: 2026-08-12

अनुमानित
पैरामीटर
~1T कुल (~100B सक्रिय)
आर्किटेक्चर
MoE
उपलब्धता
बंद स्रोत
लाइसेंस
-

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

संगति

7.8

विश्वसनीयता

लागू नहीं

कुल आउटपुट टोकन

111,626

कुल इनपुट टोकन

0

इनपुट कीमत

$2.000 / 1M

आउटपुट कीमत

$6.000 / 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: 66.7%

अस्थिर टेस्ट

5

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

प्रतिक्रिया समय (औसत)

10.33s

प्रतिक्रिया समय (अधिकतम): 29.87s

प्रतिक्रिया समय (कुल): 185.87s

Hamster playing table tennis

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

#52 xAI: Grok 4.20

medium
लागत
$0.041
समय
110.3s
टोकन
16,336 tok

रन इतिहास

परीक्षण किया गया स्कोर विश्वसनीयता सही परीक्षण कुल लागत तुलना करें
2026-08-14 02:57 दोबारा परीक्षण 7.0 10.0 $0.805 ↓ तुलना करें
2026-07-16 23:07 नया टेस्ट जोड़ा गया 7.1 10.0 $0.777 ↓ तुलना करें
2026-06-04 14:17 नया टेस्ट जोड़ा गया 7.1 10.0 $0.609 ↓ तुलना करें
2026-05-22 00:32 सूट बदला गया 6.7 10.0 $0.832 तुलना करें
2026-05-08 15:32 सूट बदला गया 6.9 10.0 $0.756 तुलना करें
2026-04-11 01:44 पहला दर्ज रन 7.0 लागू नहीं $0.743 वर्तमान रन

रन तुलना

रनबेंचमार्क कवरेजस्कोरसंगतिविश्वसनीयतासही परीक्षणअस्थिर टेस्टकुल आउटपुट टोकनकुल इनपुट टोकनकुल लागतप्रतिक्रिया समय (औसत)
2026-04-11 01:44 · पहला दर्ज रन54/54 प्रयास7.07.8लागू नहीं9/185111,6260$0.74310.33s
2026-07-16 23:07 · नया टेस्ट जोड़ा गया66/66 प्रयास7.18.510.012/224259,340102,791$0.77729.47s
अंतर—-0.2-0.7-3+1-147714-102791-$0.035-19144ms

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 सही परीक्षण
एंटी-एआई ट्रिक्स 8.2 7.9
कोडिंग 4.3 1.1
संयुक्त 10.0 10.0
डेटा पार्सिंग और निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 5.3 10.0
Samanya Buddhimatta 5.8 2.8
निर्देश पालन 7.3 5.9
पहेली समाधान 6.4 7.7
टूल कॉलिंग 3.0 10.0

तुलना किए गए मॉडल