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

Anthropic: Claude Opus 4.8 vs Google: Gemini 3.1 Flash Lite Preview

average score जवळपास समान आहे: 7.3 vs 7.3. Gemini 3.1 Flash Lite Preview (medium) चा benchmark खर्च कमी आहे: $0.115 vs $1.166. Gemini 3.1 Flash Lite Preview (medium) वेगवान आहे: 4.61s vs 4.91s, pass rates 63.6% vs 59.1%.

शिफारस केलेले मॉडेलGemini 3.1 Flash Lite Preview (medium)It has the best score here (7.3), while costing about 10.2x less than Claude Opus 4.8.

AI BENCHY टेस्ट सूटमधून बेंचमार्क या वेळी तयार झाले: 2026-07-17

मेट्रिक Claude Opus 4.8 Claude Opus 4.8 none प्रकाशन: 2026-05-28 Gemini 3.1 Flash Lite Preview Gemini 3.1 Flash Lite Preview medium प्रकाशन: 2026-03-03
स्कोअर 7.3 7.3
क्रमांक #63 #61
विश्वसनीयता 10.0 10.0
सुसंगतता 9.2 9.9
बरोबर चाचण्या
प्रति प्रयत्न पास दर 63.6% 59.1%
अस्थिर चाचण्या 2 0
एकूण रन 66 66
प्रति निकाल खर्च 8.969 0.884
एकूण खर्च $1.166 $0.115
इनपुट किंमत $5.000 / 1M $0.250 / 1M
आउटपुट किंमत $25.000 / 1M $1.500 / 1M
एकूण इनपुट टोकन्स 149,206 117,480
आउटपुट टोकन्स 16,797 10,589
रिझनिंग टोकन्स 0 46,394
प्रतिसाद वेळ (सरासरी) 4.91s 4.61s
प्रतिसाद वेळ (कमाल) 35.03s 18.34s
प्रतिसाद वेळ (एकूण) 108.03s 101.39s

Hamster playing table tennis

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

#63 Claude Opus 4.8

none
खर्च
$0.053
वेळ
22.0s
टोकन्स
2,253 tok

#61 Gemini 3.1 Flash Lite Preview

medium
खर्च
$0.003
वेळ
5.2s
टोकन्स
1,944 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 5.5 10.0 33.3% 0 3.29s 10,590 1,332 0
Gemini 3.1 Flash Lite Preview 5.5 10.0 33.3% 0 4.09s 8,126 461 8,597

झटपट तुलना

तुलना जोडी बदला