#78 DeepSeek V4 Pro
none
Reached the allocated time limit (300 seconds) without receiving showcase output.
- खर्च
- $0.000
- वेळ
- 300.0s
- टोकन्स
- 0 tok
DeepSeek
प्रकाशन: 2026-04-24
चाचणी तारीख: 2026-04-29 14:46
deepseek/deepseek-v4-pro::none
1.6T एकूण (49B सक्रिय)MoEमुक्त स्रोत
(high)
(none)
सारांश
DeepSeek V4 Pro 0423 AI BENCHY वर 6.2 स्कोर करते आणि #78 वर आहे. याची reliability 7.9, pass rate 48.2%, एकूण खर्च $0.043, आणि सरासरी response time 14.01s आहे.
DeepSeek V4 Pro 0423 खास का आहे: हे डोमेन-विशिष्ट मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #3 आहे; तर अँटी-एआय युक्त्या हा सर्वात कमकुवत भाग आहे, rank #17. या score range साठी एकूण benchmark खर्च असामान्यपणे कमी आहे.
मॉडेलची माहिती
संशोधन दिनांक: 2026-08-12
- पॅरामीटर्स
- 1.6T एकूण (49B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- मुक्त स्रोत
- परवाना
- MIT
6.2
सुसंगतता
8.7
7.9
$0.043
एकूण आउटपुट टोकन्स
3,903
एकूण इनपुट टोकन्स
0
इनपुट किंमत
$0.435 / 1M
आउटपुट किंमत
$0.870 / 1M
कॅश वाचण्याची किंमत
लागू नाही
कॅश लिहिण्याची किंमत
लागू नाही
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 03:00 पुन्हा चाचणी | 6.8 | 10.0 | $0.256 ↑ | तुलना करा | |
| 2026-07-16 23:18 नवीन चाचणी जोडली | 6.9 | 10.0 | $0.096 | तुलना करा | |
| 2026-06-16 15:17 पुन्हा चाचणी | 7.2 | 9.9 | $0.034 | तुलना करा | |
| 2026-06-16 14:39 सूट बदलला | 7.2 | 9.9 | $0.030 | तुलना करा | |
| 2026-06-04 14:24 नवीन चाचणी जोडली | 5.7 | 8.5 | $0.025 ↓ | तुलना करा | |
| 2026-05-22 00:38 सूट बदलला | 6.0 | 8.1 | $0.046 | तुलना करा | |
| 2026-04-29 14:46 पुन्हा चाचणी | 6.2 | 7.9 | $0.043 | सध्याची रन | |
| 2026-04-24 09:19 पहिला रन | 3.1 | लागू नाही | $0.009 | तुलना करा |
रन तुलना
| रन | बेंचमार्क कव्हरेज | स्कोअर | सुसंगतता | विश्वसनीयता | बरोबर चाचण्या | अस्थिर चाचण्या | एकूण आउटपुट टोकन्स | एकूण इनपुट टोकन्स | एकूण खर्च | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-29 14:46 · पुन्हा चाचणी | 54/54 प्रयत्न | 6.2 | 8.7 | 7.9 | 7/18 | 3 | 3,903 | 0 | $0.043 | 14.01s |
| 2026-05-22 00:38 · सूट बदलला | 60/60 प्रयत्न | 6.0 | 8.9 | 8.1 | 8/20 | 3 | 5,347 | 0 | $0.046 | 13.48s |
| फरक | — | +0.1 | -0.2 | -0.2 | -1 | 0 | -1444 | 0 | -$0.004 | +529ms |
बेंचमार्क कव्हरेज वेगळे आहे: 54/54 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 60/60 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.
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
DeepSeek V4 Pro 0423nonevsInkling Smallhighमोफत उपलब्धDeepSeek V4 Pro 0423nonevsInklingmediumमोफत उपलब्धDeepSeek V4 Pro 0423nonevsGrok 4.7lowDeepSeek V4 Pro 0423nonevsGemma 4 26B A4Bmediumमोफत उपलब्धDeepSeek V4 Pro 0423nonevsGLM 5.3 FlashXhighDeepSeek V4 Pro 0423nonevsGLM 5.3 FlashhighDeepSeek V4 Pro 0423nonevsSeed-2.0-CodemediumDeepSeek V4 Pro 0423nonevsClaude Fable 5.1mediumDeepSeek V4 Pro 0423nonevsDeepSeek V4 Flash 0731lowDeepSeek V4 Pro 0423nonevsGrok 4.7medium
श्रेणीवार तपशील
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| अँटी-एआय युक्त्या | 3.5 | 8.0 | |
| कोडिंग | 7.1 | 3.7 | |
| संयुक्त | 9.5 | 10.0 | |
| डेटा पार्सिंग आणि निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 5.3 | 10.0 | |
| Samanya Buddhimatta | 4.3 | 9.9 | |
| सूचनांचे पालन | 6.3 | 10.0 | |
| कोडी सोडवणे | 6.0 | 7.1 | |
| टूल कॉलिंग | 10.0 | 10.0 |