#80 Grok 4.20 Multi Agent Beta
medium- लागत
- $0.261
- समय
- 123.4s
- टोकन
- 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 संयुक्त इसकी सबसे कमजोर जगह है, जहाँ यह #17 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)।
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 | 4.8 | लागू नहीं | $5.599 ↑ | 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 |
| 2026-05-06 14:16 · दोबारा परीक्षण | 4.8 | 6.4 | लागू नहीं | 8/18 | 5 | 600,042 | 721,952 | $5.599 | 9.69s |
| अंतर | +1.9 | +1.0 | 0 | +1 | +8662 | -721952 | -$0.526 | +105ms |
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 | 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 |