Perbandingan benchmark GPT-6.1 Sol (xhigh) vs GPT-6 Astra (xhigh) vs Claude Sonnet 5.5 (xhigh):GPT-6.1 Sol (xhigh) unggul pada Skor dengan 9.9. GPT-6.1 Sol (xhigh) unggul pada Keandalan dengan 10.0. GPT-6.1 Sol (xhigh) memiliki Total Biaya terendah di $1.377. Claude Sonnet 5.5 (xhigh) paling cepat di 14.98s.
Benchmark dihasilkan dari suite pengujian AI BENCHY pada:
2026-11-18
Model yang Dibandingkan
Peringkat
#16
Total token output
102,482
Waktu respons (rata-rata)
33.11s
Total Biaya
$1.377
Peringkat
#18
Total token output
90,095
Waktu respons (rata-rata)
29.67s
Total Biaya
$6.213
Peringkat
#115
Total token output
83,041
Waktu respons (rata-rata)
14.98s
Total Biaya
$1.516
Model yang direkomendasikanGPT-6.1 Sol (xhigh)
It has the best score here (9.9), while costing about 2.8x less than model lain dalam perbandingan ini.
GPT-6 AstraGPT-6 AstraxhighModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.Rilis: 2026-09-04
Claude Sonnet 5.5Claude Sonnet 5.5xhighModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.Rilis: 2026-09-29
Skor
9.9Skor rata-rata di semua tes benchmark.…
9.9Skor rata-rata di semua tes benchmark.…
8.6Skor rata-rata di semua tes benchmark.…
Peringkat
#16
#18
#115
Keandalan
10.0Skor sukses percobaan pertama: 10.0 berarti tidak ada kegagalan API target atau batas laju yang dapat dicoba ulang sebelum panggilan berhasil; kegagalan yang tercatat menurunkan skor.…
9.9Skor sukses percobaan pertama: 10.0 berarti tidak ada kegagalan API target atau batas laju yang dapat dicoba ulang sebelum panggilan berhasil; kegagalan yang tercatat menurunkan skor.…
10.0Skor sukses percobaan pertama: 10.0 berarti tidak ada kegagalan API target atau batas laju yang dapat dicoba ulang sebelum panggilan berhasil; kegagalan yang tercatat menurunkan skor.…
Konsistensi
9.6Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
9.6Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
8.7Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
Percobaan
69/69
69/69
69/69
Tes benar
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Jawaban salah: 1Waktu respons (rata-rata)33.11sWaktu respons (maks)491.85sWaktu respons (total)761.52sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Jawaban salah: 1Waktu respons (rata-rata)29.67sWaktu respons (maks)381.11sWaktu respons (total)682.42sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
97.1%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
97.1%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
79.7%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
Tes tidak stabil
1Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
1Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
4Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Total Run
69Total Run…
69Total Run…
69Total Run…
Biaya per hasil
6.256
28.237
9.473
Total Biaya
$1.377
$6.213
$1.516
Harga input
$2.000 / 1MHarga input…
$10.000 / 1MHarga input…
$2.000 / 1MHarga input…
Harga output
$10.000 / 1MHarga output…
$50.000 / 1MHarga output…
$10.000 / 1MHarga output…
Harga baca cache
$0.100 / 1MHarga baca cache…
$1.000 / 1MHarga baca cache…
$0.200 / 1MHarga baca cache…
Harga tulis cache
$2.500 / 1MHarga tulis cache…
$12.500 / 1MHarga tulis cache…
$2.500 / 1MHarga tulis cache…
Total token input
175,712Total token input…
170,731Total token input…
342,579Total token input…
Token output
5,640Token output…
5,865Token output…
12,848Token output…
Token penalaran
96,842Token penalaran…
84,230Token penalaran…
70,193Token penalaran…
Waktu respons (rata-rata)
33.11sWaktu respons (rata-rata)…
29.67sWaktu respons (rata-rata)…
14.98sWaktu respons (rata-rata)…
Waktu respons (maks)
491.85sWaktu respons (maks)…
381.11sWaktu respons (maks)…
54.92sWaktu respons (maks)…
Waktu respons (total)
761.52sWaktu respons (total)…
682.42sWaktu respons (total)…
344.60sWaktu respons (total)…
Parameter
~2T total (~150B aktif)
~2T total (~150B aktif)
~1T total (~100B aktif)
Ketersediaan
Tertutup
Tertutup
Tertutup
Harga cache berlaku untuk token input. Pembacaan memakai kembali prompt tersimpan; penulisan menyimpannya dan dapat menambah biaya. Token output menggunakan harga output.
Showcase generasi model
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)58.86sWaktu respons (maks)58.86sWaktu respons (total)58.86sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
58.86sWaktu respons (rata-rata)…
96,480Total token input…
829Token output…
1,934Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)56.73sWaktu respons (maks)56.73sWaktu respons (total)56.73sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
56.73sWaktu respons (rata-rata)…
91,069Total token input…
810Token output…
2,102Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)54.92sWaktu respons (maks)54.92sWaktu respons (total)54.92sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)3.86sWaktu respons (maks)5.07sWaktu respons (total)15.45sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
3.86sWaktu respons (rata-rata)…
606Total token input…
164Token output…
886Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)3.71sWaktu respons (maks)5.18sWaktu respons (total)14.85sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
3.71sWaktu respons (rata-rata)…
606Total token input…
170Token output…
971Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)4.21sWaktu respons (maks)5.12sWaktu respons (total)16.83sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)10.65sWaktu respons (maks)15.30sWaktu respons (total)31.95sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.65sWaktu respons (rata-rata)…
7,302Total token input…
393Token output…
4,483Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)8.27sWaktu respons (maks)11.08sWaktu respons (total)24.81sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
8.27sWaktu respons (rata-rata)…
7,302Total token input…
396Token output…
4,031Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
8.2Skor rata-rata di semua tes benchmark.…
7.2Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
88.9%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
1Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Format tambahan: 1Waktu respons (rata-rata)11.90sWaktu respons (maks)15.48sWaktu respons (total)35.70sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)34.38sWaktu respons (maks)52.09sWaktu respons (total)68.76sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
34.38sWaktu respons (rata-rata)…
56,024Total token input…
3,244Token output…
8,146Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)41.20sWaktu respons (maks)63.24sWaktu respons (total)82.41sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
41.20sWaktu respons (rata-rata)…
56,454Total token input…
3,461Token output…
9,960Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
8.7Skor rata-rata di semua tes benchmark.…
6.9Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
83.3%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
1Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Pemanggilan alat tidak valid: 1Waktu respons (rata-rata)30.37sWaktu respons (maks)37.90sWaktu respons (total)60.75sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)2.88sWaktu respons (maks)3.21sWaktu respons (total)5.76sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
2.88sWaktu respons (rata-rata)…
7,140Total token input…
234Token output…
343Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)3.34sWaktu respons (maks)3.64sWaktu respons (total)6.69sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
3.34sWaktu respons (rata-rata)…
7,140Total token input…
234Token output…
365Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)4.96sWaktu respons (maks)6.16sWaktu respons (total)9.92sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
7.2Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
77.8%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
1Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Jawaban salah: 1Waktu respons (rata-rata)177.33sWaktu respons (maks)491.85sWaktu respons (total)532.00sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
177.33sWaktu respons (rata-rata)…
732Total token input…
68Token output…
76,624Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
7.6Skor rata-rata di semua tes benchmark.…
7.2Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
77.8%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
1Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Jawaban salah: 1Waktu respons (rata-rata)146.97sWaktu respons (maks)381.11sWaktu respons (total)440.90sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
146.97sWaktu respons (rata-rata)…
732Total token input…
68Token output…
61,252Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
2.9Skor rata-rata di semua tes benchmark.…
7.2Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
11.1%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
1Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Jawaban salah: 3Waktu respons (rata-rata)35.33sWaktu respons (maks)54.91sWaktu respons (total)106.00sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)8.78sWaktu respons (maks)8.78sWaktu respons (total)8.78sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
8.78sWaktu respons (rata-rata)…
477Total token input…
113Token output…
983Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)7.68sWaktu respons (maks)7.68sWaktu respons (total)7.68sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
7.68sWaktu respons (rata-rata)…
477Total token input…
124Token output…
870Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
6.5Skor rata-rata di semua tes benchmark.…
3.4Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
66.7%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
1Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak mengikuti instruksi: 1Waktu respons (rata-rata)9.10sWaktu respons (maks)9.10sWaktu respons (total)9.10sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)3.78sWaktu respons (maks)4.32sWaktu respons (total)7.56sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
3.78sWaktu respons (rata-rata)…
660Total token input…
93Token output…
654Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)4.91sWaktu respons (maks)5.08sWaktu respons (total)9.82sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
4.91sWaktu respons (rata-rata)…
660Total token input…
93Token output…
752Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)4.58sWaktu respons (maks)4.79sWaktu respons (total)9.15sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)4.87sWaktu respons (maks)6.32sWaktu respons (total)14.62sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
4.87sWaktu respons (rata-rata)…
642Total token input…
212Token output…
1,084Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)4.48sWaktu respons (maks)5.60sWaktu respons (total)13.44sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
4.48sWaktu respons (rata-rata)…
642Total token input…
215Token output…
1,072Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)4.88sWaktu respons (maks)5.32sWaktu respons (total)14.63sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)10.29sWaktu respons (maks)10.29sWaktu respons (total)10.29sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.29sWaktu respons (rata-rata)…
5,454Total token input…
260Token output…
842Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)11.04sWaktu respons (maks)11.04sWaktu respons (total)11.04sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
11.04sWaktu respons (rata-rata)…
5,454Total token input…
264Token output…
1,051Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)10.29sWaktu respons (maks)10.29sWaktu respons (total)10.29sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)7.51sWaktu respons (maks)7.51sWaktu respons (total)7.51sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
7.51sWaktu respons (rata-rata)…
195Total token input…
30Token output…
863Token penalaran…
GPT-6 AstraModel diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
10.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
100.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban gagal.Waktu respons (rata-rata)14.06sWaktu respons (maks)14.06sWaktu respons (total)14.06sTes dianggap lulus penuh hanya jika semua run-nya lulus.…
14.06sWaktu respons (rata-rata)…
195Total token input…
30Token output…
1,804Token penalaran…
Claude Sonnet 5.5Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
3.0Skor rata-rata di semua tes benchmark.…
10.0Skor konsistensi mencerminkan kestabilan antar run (10 = sangat konsisten, bahkan jika konsisten salah).…
0.0%Tingkat lulus per percobaan = percobaan lulus / total percobaan di semua run.…
0Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).…
Tes dianggap lulus penuh hanya jika semua run-nya lulus.Tidak ada jawaban: 1Waktu respons (rata-rata)17.31sWaktu respons (maks)17.31sWaktu respons (total)17.31sTes dianggap lulus penuh hanya jika semua run-nya lulus.…