नेव्हिगेशन
AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY Compare

Anthropic: Claude Opus 4.8 vs MoonshotAI: Kimi K3

सारांश

Claude Opus 4.8 (medium) average score मध्ये पुढे आहे: 8.8 vs 8.5. Claude Opus 4.8 (medium) चा benchmark खर्च कमी आहे: $1.107 vs $3.112. Claude Opus 4.8 (medium) वेगवान आहे: 9.72s vs 122.48s, pass rates 84.1% vs 82.5%.

शिफारस केलेले मॉडेलClaude Opus 4.8 (medium)It has the best score here (8.8), while costing about 2.8x less than Kimi K3 (max).

AI BENCHY टेस्ट सूटमधून बेंचमार्क या वेळी तयार झाले: 2026-07-16

मेट्रिक Claude Opus 4.8 Claude Opus 4.8 medium प्रकाशन: 2026-05-28 Kimi K3 Kimi K3 max प्रकाशन: 2026-07-16
स्कोअर 8.8 8.5
क्रमांक #16 #21
विश्वसनीयता 10.0 9.4
सुसंगतता 9.6 9.2
बरोबर चाचण्या
प्रति प्रयत्न पास दर 84.1% 82.5%
अस्थिर चाचण्या 1 2
एकूण रन 63 63
प्रति निकाल खर्च 6.512 19.446
एकूण खर्च $1.107 $3.112
इनपुट किंमत $5.000 / 1M $3.000 / 1M
आउटपुट किंमत $25.000 / 1M $15.000 / 1M
एकूण इनपुट टोकन्स 61,007 34,916
आउटपुट टोकन्स 26,495 2,910
रिझनिंग टोकन्स 5,901 197,529
प्रतिसाद वेळ (सरासरी) 9.72s 122.48s
प्रतिसाद वेळ (कमाल) 38.03s 766.58s
प्रतिसाद वेळ (एकूण) 204.19s 2327.06s

जनरेशन शोकेस

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#16 Claude Opus 4.8

medium
खर्च
$0.057
वेळ
23.1s
टोकन्स
2,412 tok

#21 MoonshotAI: Kimi K3

max
खर्च
$0.281
वेळ
506.9s
टोकन्स
18,863 tok

स्कोअरनुसार शीर्ष मॉडेल्स

स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी)

स्कोअर vs प्रतिसाद वेळ (सरासरी)

एकूण आउटपुट टोकन्स

स्कोअर vs एकूण आउटपुट टोकन्स

श्रेणीवार तपशील

कोडिंग स्कोअर सुसंगतता प्रति प्रयत्न पास दर अस्थिर चाचण्या बरोबर चाचण्या प्रतिसाद वेळ (सरासरी) इनपुट टोकन्स आउटपुट टोकन्स रिझनिंग टोकन्स
Claude Opus 4.8 10.0 10.0 100.0% 0 15.33s 10,590 9,945 1,381
Kimi K3 10.0 10.0 100.0% 0 325.79s 8,061 460 84,012

झटपट तुलना

तुलना जोडी बदला