AI BENCHY
Advertise here
#90

Mercury 2

Inception प्रकाशन: 2026-02-24 चाचणी तारीख: 2026-05-22 00:40 inception/mercury-2::medium
(medium) (none)

सारांश

Mercury 2 AI BENCHY वर 6.3 स्कोर करते आणि #90 वर आहे. याची reliability 10.0, pass rate 50.0%, एकूण खर्च $0.055, आणि सरासरी response time 2.27s आहे.

Mercury 2 खास का आहे: हे कोडिंग मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर डेटा पार्सिंग आणि निष्कर्षण हा सर्वात कमकुवत भाग आहे, rank #13.

स्कोअर

6.3

सुसंगतता

8.4

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$0.055

एकूण आउटपुट टोकन्स

62,397

एकूण इनपुट टोकन्स

0

इनपुट किंमत

$0.250 / 1M

आउटपुट किंमत

$0.750 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 12

प्रति प्रयत्न पास दर: 50.0%

अस्थिर चाचण्या

4

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

प्रतिसाद वेळ (सरासरी)

2.27s

प्रतिसाद वेळ (कमाल): 14.63s

प्रतिसाद वेळ (एकूण): 43.15s

चुकीचे उत्तर: 9 सूचनांचे पालन केले नाही: 3

जनरेशन शोकेस

Hamster playing table tennis

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

#90 Mercury 2

medium
खर्च
$0.002
वेळ
2.1s
टोकन्स
1,702 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-06-04 14:27 नवीन चाचणी जोडली 6.6 10.0 $0.058 तुलना करा
2026-05-22 00:40 पुन्हा चाचणी 6.3 10.0 $0.055 सध्याची रन
2026-04-11 01:44 पहिली नोंदलेली रन 6.5 लागू नाही $0.047 तुलना करा

रन तुलना

रनस्कोअरसुसंगतताविश्वसनीयताबरोबर चाचण्याअस्थिर चाचण्याएकूण आउटपुट टोकन्सएकूण इनपुट टोकन्सएकूण खर्चप्रतिसाद वेळ (सरासरी)
2026-05-22 00:40 · पुन्हा चाचणी6.38.410.08/20462,3970$0.0552.27s
2026-06-04 14:27 · नवीन चाचणी जोडली6.68.810.010/21365,26735,116$0.0582.24s
फरक-0.4-0.40.0-2+1-2870-35116-$0.003+35ms

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

Mercury 2mediumvsGrok Build 0.1mediumMercury 2mediumvsDeepSeek V4 ProhighMercury 2mediumvsGPT-5.3 ChatnoneMercury 2mediumvsMiniMax M3mediumMercury 2mediumvsGPT-5.4 NanomediumMercury 2mediumvsGemini 3.5 FlashhighMercury 2mediumvsGemini 3 Flash PreviewmediumMercury 2mediumvsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धMercury 2mediumvsGPT-5.5low

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
अँटी-एआय युक्त्या 6.9 9.9
कोडिंग 7.2 6.5
संयुक्त 10.0 10.0
डेटा पार्सिंग आणि निष्कर्षण 7.3 5.9
डोमेन-विशिष्ट 2.9 7.2
Samanya Buddhimatta 4.8 10.0
सूचनांचे पालन 10.0 10.0
कोडी सोडवणे 3.8 7.3
टूल कॉलिंग 10.0 10.0
सामान्य ज्ञान 3.0 10.0

तुलना केलेली मॉडेल्स