#80 Grok 4.20 Multi Agent Beta
medium- Cost
- $0.261
- Time
- 123.4s
- Tokens
- 199,344 tok
X AI
Rilis: 2026-03-12
Diuji pada: 2026-05-06 14:16
x-ai/grok-4.20-multi-agent-beta::medium
Ringkasan
Grok 4.20 Multi Agent Beta mendapat skor 6.6 di AI BENCHY dan berada di peringkat #80. Model ini memiliki reliabilitas T/A, tingkat keberhasilan 63.0%, total biaya $5.074, dan waktu respons rata-rata 9.80s.
Yang membuat Grok 4.20 Multi Agent Beta unik: Model ini paling menonjol di Pemrograman, dengan peringkat #1, sementara Pemanggilan alat adalah area terlemahnya di #11. Model ini memakai token reasoning yang sangat tinggi, yang bisa menjelaskan run yang lebih lambat atau lebih mahal.
Model diarsipkan: model ini tidak lagi diperbarui atau diuji pada pengujian baru.
6.6
Konsistensi
7.4
T/A
$5.074
Total token output
608,704
Total token input
0
Harga input
$0.000 / 1M
Harga output
$0.000 / 1M
Tes tidak stabil
6
Tes tidak stabil memiliki hasil campuran antar run (setidaknya satu lulus dan satu gagal).
Generation showcase
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
Riwayat run
| Diuji pada | Skor | Keandalan | Tes benar | Total Biaya | Bandingkan |
|---|---|---|---|---|---|
| 2026-05-06 14:16 Uji ulang | 6.6 | T/A | $5.599 ↑ | Bandingkan | |
| 2026-05-06 14:16 Uji ulang | 6.6 | T/A | $5.074 | Bandingkan | |
| 2026-05-06 14:16 Suite berubah | 6.6 | T/A | $5.074 | Run saat ini | |
| 2026-04-11 01:19 Run pertama yang tercatat | 6.4 | T/A | $5.074 | Bandingkan |
Run ini menggunakan suite benchmark yang berbeda. Perhatikan perubahan suite saat membaca pergerakan historis.
Perbandingan run
| Run | Skor | Konsistensi | Keandalan | Tes benar | Tes tidak stabil | Total token output | Total token input | Total Biaya | Waktu respons (rata-rata) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-06 14:16 · Suite berubah | 6.6 | 7.4 | T/A | 8/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| 2026-04-11 01:19 · Run pertama yang tercatat | 6.4 | 7.4 | T/A | 7/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| Selisih | +0.2 | 0.0 | +1 | 0 | 0 | 0 | $0.000 | 0ms |
Kedua run ini menggunakan suite benchmark yang berbeda, jadi selisihnya mencerminkan perubahan model sekaligus perubahan suite.
Grafik
Pilih model pertama, lalu klik model kedua untuk membuka halaman berdampingan.
Model teratas berdasarkan skor
Skor vs Total Biaya
Waktu respons (rata-rata)
Skor vs Waktu respons (rata-rata)
Total token output
Skor vs Total token output
Perbandingan Cepat
Rincian Kategori
| Kategori | Skor | Konsistensi | Tes benar |
|---|---|---|---|
| Trik anti-AI | 6.9 | 5.8 | |
| Pemrograman | 10.0 | 10.0 | |
| Gabungan | 3.0 | 10.0 | |
| Parsing dan ekstraksi data | 10.0 | 10.0 | |
| Spesifik domain | 2.9 | 7.2 | |
| Kecerdasan umum | 5.8 | 2.8 | |
| Kepatuhan instruksi | 9.8 | 10.0 | |
| Pemecahan teka-teki | 7.2 | 5.1 | |
| Pemanggilan alat | 3.0 | 10.0 |