#131

DeepSeek V4 Flash 0423

DeepSeek प्रकाशन: 2026-04-24 चाचणी तारीख: 2026-05-22 00:37 deepseek/deepseek-v4-flash::none

284B एकूण (13B सक्रिय)MoEमुक्त स्रोत

(high) (none)

सारांश

DeepSeek V4 Flash 0423 AI BENCHY वर 5.1 स्कोर करते आणि #131 वर आहे. याची reliability 10.0, pass rate 31.7%, एकूण खर्च $0.010, आणि सरासरी response time 27.85s आहे.

DeepSeek V4 Flash 0423 खास का आहे: हे डेटा पार्सिंग आणि निष्कर्षण मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर अँटी-एआय युक्त्या हा सर्वात कमकुवत भाग आहे, rank #18. या score range साठी एकूण benchmark खर्च असामान्यपणे कमी आहे.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

जाहीर केलेले

पॅरामीटर्स: 284B एकूण (13B सक्रिय)
आर्किटेक्चर: MoE
उपलब्धता: मुक्त स्रोत
परवाना: MIT

पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

5.1

सुसंगतता

8.8

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$0.010

एकूण आउटपुट टोकन्स

13,700

एकूण इनपुट टोकन्स

इनपुट किंमत

$0.112 / 1M

आउटपुट किंमत

$0.224 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 15

प्रति प्रयत्न पास दर: 31.7%

अस्थिर चाचण्या

अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).

प्रतिसाद वेळ (सरासरी)

27.85s

प्रतिसाद वेळ (कमाल): 111.96s

प्रतिसाद वेळ (एकूण): 557.07s

चुकीचे उत्तर: 11 अतिरिक्त फॉरमॅटिंग: 2 सूचनांचे पालन केले नाही: 1 अवैध टूल कॉल: 1

Hamster playing table tennis

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

#131 DeepSeek V4 Flash

none

खर्च: $0.004
वेळ: 157.6s
टोकन्स: 11,297 tok

रन इतिहास

चाचणी तारीख	स्कोअर	विश्वसनीयता	एकूण खर्च	तुलना करा
2026-08-14 02:59 पुन्हा चाचणी	5.4	10.0	$0.062 ↑	तुलना करा
2026-07-16 23:22 नवीन चाचणी जोडली	5.6	10.0	$0.044 ↓	तुलना करा
2026-06-04 14:22 पुन्हा चाचणी	5.0	10.0	$0.008 ↓	तुलना करा
2026-06-04 13:02 नवीन चाचणी जोडली	5.0	10.0	$0.008 ↓	तुलना करा
2026-05-22 00:37 सूट बदलला	5.1	10.0	$0.010	सध्याची रन
2026-04-24 09:19 पहिला रन	5.3	लागू नाही	$0.008	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)
2026-05-22 00:37 · सूट बदलला	60/60 प्रयत्न	5.1	8.8	10.0	5/20	3	13,700	0	$0.010	27.85s
2026-07-16 23:22 · नवीन चाचणी जोडली	66/66 प्रयत्न	5.6	8.5	10.0	5/22	4	100,727	240,221	$0.044	36.78s
फरक	—	-0.5	+0.3	0.0	0	-1	-87027	-240221	-$0.034	-8923ms

बेंचमार्क कव्हरेज वेगळे आहे: 60/60 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 66/66 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती). एकूण मूल्ये आणि पुनरावृत्तीवर अवलंबून मेट्रिक्स थेट तुलना करता येत नाहीत.

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.

एकूण आउटपुट टोकन्स

स्कोअर vs एकूण आउटपुट टोकन्स

झटपट तुलना

श्रेणीवार तपशील

श्रेणी	स्कोअर	सुसंगतता
अँटी-एआय युक्त्या	3.0	10.0
कोडिंग	4.8	6.0
संयुक्त	4.5	2.1
डेटा पार्सिंग आणि निष्कर्षण	10.0	10.0
डोमेन-विशिष्ट	5.3	10.0
Samanya Buddhimatta	4.2	9.9
सूचनांचे पालन	6.5	10.0
कोडी सोडवणे	3.1	7.3
टूल कॉलिंग	10.0	10.0
सामान्य ज्ञान	3.0	10.0

DeepSeek V4 Flash 0423

मॉडेलची माहिती

Hamster playing table tennis

#131 DeepSeek V4 Flash

चार्ट्स

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

श्रेणीवार तपशील

तुलना केलेली मॉडेल्स