#63 Claude Opus 4.6
medium
अवैध SVG
- खर्च
- $0.000
- वेळ
- 300.0s
- टोकन्स
- 0 tok
Anthropic
प्रकाशन: 2026-02-05
चाचणी तारीख: 2026-05-22 00:17
anthropic/claude-opus-4.6::medium
सारांश
Claude Opus 4.6 AI BENCHY वर 7.2 स्कोर करते आणि #63 वर आहे. याची reliability 10.0, pass rate 63.3%, एकूण खर्च $1.896, आणि सरासरी response time 25.44s आहे.
Claude Opus 4.6 खास का आहे: हे सूचनांचे पालन मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर अँटी-एआय युक्त्या हा सर्वात कमकुवत भाग आहे, rank #12.
7.2
सुसंगतता
9.1
10.0
$1.896
एकूण आउटपुट टोकन्स
65,814
एकूण इनपुट टोकन्स
0
इनपुट किंमत
$5.000 / 1M
आउटपुट किंमत
$25.000 / 1M
अस्थिर चाचण्या
2
अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).
जनरेशन शोकेस
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
रन इतिहास
| चाचणी तारीख | स्कोअर | विश्वसनीयता | बरोबर चाचण्या | एकूण खर्च | तुलना करा |
|---|---|---|---|---|---|
| 2026-06-04 13:45 नवीन चाचणी जोडली | 7.0 | 10.0 | $2.053 | तुलना करा | |
| 2026-05-22 00:17 सूट बदलला | 7.2 | 10.0 | $1.896 | सध्याची रन | |
| 2026-04-11 01:44 पहिली नोंदलेली रन | 7.6 | लागू नाही | $1.446 | तुलना करा |
या रनमध्ये वेगळा बेंचमार्क सूट वापरला गेला. ऐतिहासिक बदल वाचताना सूटमधील बदल लक्षात घ्या.
रन तुलना
| रन | स्कोअर | सुसंगतता | विश्वसनीयता | बरोबर चाचण्या | अस्थिर चाचण्या | एकूण आउटपुट टोकन्स | एकूण इनपुट टोकन्स | एकूण खर्च | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:17 · सूट बदलला | 7.2 | 9.1 | 10.0 | 12/20 | 2 | 65,814 | 0 | $1.896 | 25.44s |
| 2026-04-11 01:44 · पहिली नोंदलेली रन | 7.6 | 9.1 | लागू नाही | 12/18 | 2 | 48,767 | 0 | $1.446 | 21.08s |
| फरक | -0.4 | 0.0 | 0 | 0 | +17047 | 0 | +$0.451 | +4362ms |
या दोन रनमध्ये वेगवेगळे बेंचमार्क सूट वापरले गेले, त्यामुळे फरकांमध्ये मॉडेलमधील आणि सूटमधील दोन्ही बदल दिसतात.
चार्ट्स
पहिले मॉडेल निवडा, नंतर दुसरे मॉडेल क्लिक करून बाजू-बाजूची तुलना पेज उघडा.
स्कोअरनुसार शीर्ष मॉडेल्स
स्कोअर vs एकूण खर्च
प्रतिसाद वेळ (सरासरी)
स्कोअर vs प्रतिसाद वेळ (सरासरी)
एकूण आउटपुट टोकन्स
स्कोअर vs एकूण आउटपुट टोकन्स
झटपट तुलना
Claude Opus 4.6mediumvsClaude Opus 4.8lowClaude Opus 4.6mediumvsQwen3.5-122B-A10BmediumClaude Opus 4.6mediumvsStep 3.7 FlashlowClaude Opus 4.6mediumvsKimi K2.6mediumमोफत उपलब्धClaude Opus 4.6mediumvsMiniMax M3mediumClaude Opus 4.6mediumvsGemini 3.5 FlashhighClaude Opus 4.6mediumvsGemini 3 Flash PreviewmediumClaude Opus 4.6mediumvsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धClaude Opus 4.6mediumvsGPT-5.5low
श्रेणीवार तपशील
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| अँटी-एआय युक्त्या | 6.4 | 5.8 | |
| कोडिंग | 7.2 | 9.8 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग आणि निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 3.0 | 10.0 | |
| Samanya Buddhimatta | 10.0 | 10.0 | |
| सूचनांचे पालन | 10.0 | 10.0 | |
| कोडी सोडवणे | 7.7 | 10.0 | |
| टूल कॉलिंग | 10.0 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |