#1 Gemini 3 Flash Preview
medium- खर्च
- $0.010
- वेळ
- 17.9s
- टोकन्स
- 3,236 tok
Google
प्रकाशन: 2025-12-17
चाचणी तारीख: 2026-05-06 13:38
google/gemini-3-flash-preview::medium
सारांश
Gemini 3 Flash Preview AI BENCHY वर 9.8 स्कोर करते आणि #1 वर आहे. याची reliability 10.0, pass rate 98.2%, एकूण खर्च $0.320, आणि सरासरी response time 11.53s आहे.
Gemini 3 Flash Preview खास का आहे: हे डोमेन-विशिष्ट मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर कोडी सोडवणे हा सर्वात कमकुवत भाग आहे, rank #8. हे एकूणात सर्वाधिक rank असलेल्या मॉडेल्सपैकी एक आहे. या score range साठी एकूण benchmark खर्च असामान्यपणे कमी आहे.
9.8
सुसंगतता
9.6
10.0
$0.320
एकूण आउटपुट टोकन्स
101,480
एकूण इनपुट टोकन्स
0
इनपुट किंमत
$0.500 / 1M
आउटपुट किंमत
$3.000 / 1M
अस्थिर चाचण्या
1
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 13:59 नवीन चाचणी जोडली | 9.8 | 10.0 | $0.667 | तुलना करा | |
| 2026-05-22 00:28 सूट बदलला | 9.8 | 10.0 | $0.567 | 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 इनपुट 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 | $0.320 | 11.53s |
| 2026-06-04 13:59 · नवीन चाचणी जोडली | 9.8 | 9.7 | 10.0 | 20/21 | 1 | 216,159 | 37,017 | $0.667 | 18.64s |
| फरक | 0.0 | -0.1 | 0.0 | -3 | 0 | -114679 | -37017 | -$0.348 | -7110ms |
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
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 |