#80 Grok 4.20 Multi Agent Beta
medium- Cost
- $0.261
- Time
- 123.4s
- Tokens
- 199,344 tok
X AI
रिलीज़: 2026-03-12
परीक्षण किया गया: 2026-05-06 14:16
x-ai/grok-4.20-multi-agent-beta::medium
सारांश
Grok 4.20 Multi Agent Beta AI BENCHY पर 6.6 स्कोर करता है और #80 पर है। इसकी reliability लागू नहीं, pass rate 63.0%, कुल लागत $5.074, और औसत response time 9.80s है।
Grok 4.20 Multi Agent Beta को अलग क्या बनाता है: यह कोडिंग में सबसे अलग दिखता है, जहाँ इसकी रैंक #1 है; जबकि टूल कॉलिंग इसकी सबसे कमजोर जगह है, जहाँ यह #11 पर है। यह असामान्य रूप से अधिक reasoning tokens इस्तेमाल करता है, जिससे धीमे या महंगे runs समझ में आ सकते हैं।
संग्रहीत मॉडल: इस मॉडल को अब अपडेट नहीं किया जाएगा और नए परीक्षणों में टेस्ट नहीं किया जाएगा।
6.6
संगति
7.4
लागू नहीं
$5.074
कुल आउटपुट टोकन
608,704
कुल इनपुट टोकन
0
इनपुट कीमत
$0.000 / 1M
आउटपुट कीमत
$0.000 / 1M
अस्थिर टेस्ट
6
अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।
Generation showcase
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 14:16 दोबारा परीक्षण | 6.6 | लागू नहीं | $5.599 ↑ | तुलना करें | |
| 2026-05-06 14:16 दोबारा परीक्षण | 6.6 | लागू नहीं | $5.074 | तुलना करें | |
| 2026-05-06 14:16 सूट बदला गया | 6.6 | लागू नहीं | $5.074 | वर्तमान रन | |
| 2026-04-11 01:19 पहला दर्ज रन | 6.4 | लागू नहीं | $5.074 | 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 14:16 · सूट बदला गया | 6.6 | 7.4 | लागू नहीं | 8/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| 2026-04-11 01:19 · पहला दर्ज रन | 6.4 | 7.4 | लागू नहीं | 7/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| अंतर | +0.2 | 0.0 | +1 | 0 | 0 | 0 | $0.000 | 0ms |
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
त्वरित तुलना
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 6.9 | 5.8 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 3.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 2.9 | 7.2 | |
| Samanya Buddhimatta | 5.8 | 2.8 | |
| निर्देश पालन | 9.8 | 10.0 | |
| पहेली समाधान | 7.2 | 5.1 | |
| टूल कॉलिंग | 3.0 | 10.0 |