#223 Claude Opus 4.6
medium
Reached the allocated time limit (300 seconds) without receiving showcase output.
- खर्च
- $0.000
- वेळ
- 300.0s
- टोकन्स
- 0 tok
Anthropic
प्रकाशन: 2026-02-05
चाचणी तारीख: 2026-08-14 02:08
anthropic/claude-opus-4.6::medium
~5T एकूण (~500B सक्रिय)MoEबंद स्रोतअंदाजित सारांश
Claude Opus 4.6 AI BENCHY वर 6.3 स्कोर करते आणि #223 वर आहे. याची reliability 10.0, pass rate 60.9%, एकूण खर्च $2.961, आणि सरासरी response time 32.23s आहे.
Claude Opus 4.6 खास का आहे: हे संयुक्त मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर स्वायत्त एजंट कार्ये हा सर्वात कमकुवत भाग आहे, rank #16.
संग्रहित मॉडेल: हे मॉडेल आता अपडेट केले जाणार नाही आणि नवीन चाचण्यांवर तपासले जाणार नाही.
मॉडेलची माहिती
संशोधन दिनांक: 2026-08-12
- पॅरामीटर्स
- ~5T एकूण (~500B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- बंद स्रोत
- परवाना
- -
सार्वजनिक पुराव्यावर आधारित सर्वोत्तम अंदाज; प्रदात्याने सर्व मूल्ये जाहीर केलेली नाहीत.
6.3
सुसंगतता
8.5
10.0
$2.961
एकूण आउटपुट टोकन्स
96,722
एकूण इनपुट टोकन्स
108,573
इनपुट किंमत
$5.000 / 1M
आउटपुट किंमत
$25.000 / 1M
कॅश वाचण्याची किंमत
$0.500 / 1M
कॅश लिहिण्याची किंमत
$6.250 / 1M
कॅशच्या किमती इनपुट टोकनला लागू होतात. वाचताना साठवलेले प्रॉम्प्ट पुन्हा वापरले जातात; लिहिताना ते साठवले जातात आणि अधिक खर्च होऊ शकतो. आउटपुट टोकनला आउटपुट किंमत लागू होते.
अस्थिर चाचण्या
3
अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).
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 |
|---|---|---|---|---|---|
| 2026-08-14 02:08 पुन्हा चाचणी | 6.3 | 10.0 | $2.961 | सध्याची रन | |
| 2026-07-16 22:31 नवीन चाचणी जोडली | 7.7 | 10.0 | $3.059 | 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 | तुलना करा | |
| 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 | बेंचमार्क कव्हरेज | स्कोअर | सुसंगतता | विश्वसनीयता | बरोबर चाचण्या | अस्थिर चाचण्या | एकूण आउटपुट टोकन्स | एकूण इनपुट टोकन्स | एकूण खर्च | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-08-14 02:08 · सध्याची रन | 66/69 प्रयत्न | 6.3 | 8.5 | 10.0 | 13/22 | 3 | 96,722 | 108,573 | $2.961 | 32.23s |
| 2026-07-16 22:31 · नवीन चाचणी जोडली | 66/66 प्रयत्न | 7.7 | 8.8 | 10.0 | 13/22 | 3 | 100,601 | 108,615 | $3.059 | 34.27s |
| फरक | — | -1.4 | -0.3 | 0.0 | 0 | 0 | -3879 | -42 | -$0.098 | -2038ms |
या दोन रनमध्ये वेगवेगळे बेंचमार्क सूट वापरले गेले, त्यामुळे फरकांमध्ये मॉडेलमधील आणि सूटमधील दोन्ही बदल दिसतात.
किंमत इतिहास
OpenRouter मधील या मॉडेलचा ऐतिहासिक किंमत डेटा.
| तारीख | इनपुट किंमत | आउटपुट किंमत | कॅश वाचण्याची किंमत | कॅश लिहिण्याची किंमत |
|---|---|---|---|---|
| 2026-08-14 12:51 | $5.000 / 1M | $25.000 / 1M | लागू नाही | लागू नाही |
| 2026-10-01 18:33 | $5.000 / 1M | $25.000 / 1M | $0.500 / 1M | $6.250 / 1M |
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
श्रेणीवार तपशील
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| स्वायत्त एजंट कार्ये | 0.0 | 0.0 | |
| अँटी-एआय युक्त्या | 6.4 | 5.8 | |
| कोडिंग | 5.7 | 7.1 | |
| 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 |