Ringkasan
Ling-2.6-flash mendapat skor 5.4 di AI BENCHY dan berada di peringkat #84. Model ini memiliki reliabilitas T/A, tingkat keberhasilan 35.2%, total biaya $0.000, dan waktu respons rata-rata 11.33s.
Yang membuat Ling-2.6-flash unik: Model ini paling menonjol di Pemrograman, dengan peringkat #1, sementara Gabungan adalah area terlemahnya di #17. 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
5.4
Konsistensi
9.5
T/A
$0.000
Total token output
3,338
Total token input
0
Harga input
$0.000 / 1M
Harga output
$0.000 / 1M
Tes tidak stabil
1
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 | Bandingkan | |
| 2026-04-22 12:55 Run pertama yang tercatat | 5.4 | T/A | $0.000 | Run saat ini |
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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-22 12:55 · Run pertama yang tercatat | 52/54 percobaan | 5.4 | 9.5 | T/A | 6/18 | 1 | 3,338 | 0 | $0.000 | 11.33s |
| 2026-08-14 03:06 · Uji ulang | 66/66 percobaan | 4.9 | 9.3 | 9.6 | 6/22 | 2 | 14,903 | 114,384 | $0.002 | 10.71s |
| Selisih | — | +0.5 | +0.2 | 0 | -1 | -11565 | -114384 | -$0.002 | +613ms |
Cakupan benchmark berbeda: 52/54 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 | 6.5 | 10.0 | |
| 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 | 4.1 | 10.0 | |
| Kepatuhan instruksi | 9.8 | 10.0 | |
| Pemecahan teka-teki | 2.9 | 7.2 | |
| Pemanggilan alat | 3.0 | 10.0 |