Ringkasan
Ling-2.6-flash mendapat skor 5.3 di AI BENCHY dan berada di peringkat #118. Model ini memiliki reliabilitas 10.0, tingkat keberhasilan 35.1%, total biaya $0.001, dan waktu respons rata-rata 9.76s.
Yang membuat Ling-2.6-flash unik: Model ini paling menonjol di Pemrograman, dengan peringkat #1, sementara Parsing dan ekstraksi data adalah area terlemahnya di #18. Total biaya benchmark-nya sangat rendah untuk kisaran skornya.
Catatan identitas
Elephant Alpha adalah versi stealth dari Ling-2.6-flash.
Ditelaah pada 2026-08-12
5.3
Konsistensi
9.2
10.0
$0.001
Total token output
2,878
Total token input
0
Harga input
$0.080 / 1M
Harga output
$0.240 / 1M
Tes tidak stabil
2
Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
Riwayat run
| Diuji pada | Skor | Keandalan | Tes benar | Total Biaya | Bandingkan |
|---|---|---|---|---|---|
| 2026-08-14 03:06 Uji ulang | 4.9 | 9.6 | $0.002 ↑ | Bandingkan | |
| 2026-07-16 23:16 Tes baru ditambahkan | 4.9 | 10.0 | $0.002 ↑ | Bandingkan | |
| 2026-06-04 14:30 Tes baru ditambahkan | 5.0 | 10.0 | $0.001 ↑ | Bandingkan | |
| 2026-05-22 00:42 Suite berubah | 5.3 | 10.0 | $0.001 | Bandingkan | |
| 2026-05-08 15:30 Suite berubah | 5.3 | 10.0 | $0.001 | Run saat ini | |
| 2026-04-22 12:55 Run pertama yang tercatat | 5.4 | T/A | $0.000 | Bandingkan |
Run ini menggunakan suite benchmark yang berbeda. Perhatikan perubahan suite saat membaca pergerakan historis.
Perbandingan run
| Run | Cakupan benchmark | Skor | Konsistensi | Keandalan | Tes benar | Tes tidak stabil | Total token output | Total token input | Total Biaya | Waktu respons (rata-rata) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-08 15:30 · Suite berubah | 57/57 percobaan | 5.3 | 9.2 | 10.0 | 6/19 | 2 | 2,878 | 0 | $0.001 | 9.76s |
| 2026-07-16 23:16 · Tes baru ditambahkan | 66/66 percobaan | 4.9 | 9.3 | 10.0 | 6/22 | 2 | 14,903 | 114,375 | $0.002 | 10.68s |
| Selisih | — | +0.4 | -0.1 | 0.0 | 0 | 0 | -12025 | -114375 | -$0.002 | -920ms |
Cakupan benchmark berbeda: 57/57 percobaan (Target: 3 pengulangan per tes) dibanding 66/66 percobaan (Target: 3 pengulangan per tes). Total dan metrik yang dipengaruhi pengulangan tidak dapat dibandingkan secara langsung.
Kedua run ini menggunakan suite benchmark yang berbeda, jadi selisihnya mencerminkan perubahan model sekaligus perubahan suite.
Pilih model pertama, lalu klik model kedua untuk membuka halaman berdampingan.
| Kategori | Skor | Konsistensi | Tes benar |
|---|---|---|---|
| Trik anti-AI | 6.8 | 8.1 | |
| Pemrograman | 10.0 | 10.0 | |
| Gabungan | 3.0 | 10.0 | |
| Parsing dan ekstraksi data | 6.5 | 10.0 | |
| Spesifik domain | 3.0 | 10.0 | |
| Kecerdasan umum | 4.0 | 10.0 | |
| Kepatuhan instruksi | 9.8 | 10.0 | |
| Pemecahan teka-teki | 2.9 | 7.2 | |
| Pemanggilan alat | 3.0 | 10.0 | |
| Pengetahuan umum | 3.0 | 10.0 |