#1
Google
प्रकाशन: 2025-12-17
चाचणी तारीख: 2026-05-06 13:38
google/gemini-3-flash-preview::medium
???? ???
$0.500 / 1M
????? ???
$3.000 / 1M
अस्थिर चाचण्या
1
अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).
रन इतिहास
| चाचणी तारीख | स्कोअर | विश्वसनीयता | बरोबर चाचण्या | एकूण खर्च | तुलना करा |
|---|---|---|---|---|---|
| 2026-05-06 13:52 सूट बदलला | 10.0 | 10.0 | $0.321 | तुलना करा | |
| 2026-05-06 13:38 सूट बदलला | 9.8 | 10.0 | $0.320 | सध्याची रन | |
| 2026-04-23 15:25 पुन्हा चाचणी | 10.0 | लागू नाही | $0.108 | तुलना करा | |
| 2026-04-11 01:44 पहिली नोंदलेली रन | 10.0 | लागू नाही | $0.314 | 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 खर्च | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|---|
| 2026-05-06 13:38 · सूट बदलला | 9.8 | 9.6 | 10.0 | 17/18 | 1 | 101,480 | $0.320 | 11.53s |
| 2026-04-11 01:44 · पहिली नोंदलेली रन | 10.0 | 10.0 | लागू नाही | 18/18 | 0 | 99,113 | $0.314 | 17.60s |
| फरक | -0.2 | -0.4 | -1 | +1 | +2367 | +$0.007 | -6071ms |
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.
स्कोअर vs एकूण खर्च
प्रतिसाद वेळ (सरासरी)
स्कोअर vs प्रतिसाद वेळ (सरासरी)
एकूण आउटपुट टोकन्स
स्कोअर vs एकूण आउटपुट टोकन्स
झटपट तुलना
श्रेणीवार तपशील
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| अँटी-एआय युक्त्या | 10.0 | 10.0 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग आणि निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 10.0 | 10.0 | |
| Samanya Buddhimatta | 10.0 | 10.0 | |
| सूचनांचे पालन | 10.0 | 10.0 | |
| कोडी सोडवणे | 9.0 | 7.9 | |
| टूल कॉलिंग | 10.0 | 10.0 |