सारांश
Ling-2.6-flash AI BENCHY वर 4.3 स्कोर करते आणि #243 वर आहे. याची reliability लागू नाही, pass rate 28.8%, एकूण खर्च $0.000, आणि सरासरी response time 1.27s आहे.
Ling-2.6-flash खास का आहे: हे सूचनांचे पालन मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर संयुक्त हा सर्वात कमकुवत भाग आहे, rank #8. या score range साठी एकूण benchmark खर्च असामान्यपणे कमी आहे.
संग्रहित मॉडेल: हे मॉडेल आता अपडेट केले जाणार नाही आणि नवीन चाचण्यांवर तपासले जाणार नाही.
ओळख नोंद
Elephant Alpha हे Ling-2.6-flash चे स्टेल्थ आवृत्ती होते.
हे पृष्ठ सध्या Elephant Alpha या नावाखाली गोळा केलेला बेंचमार्क डेटा दाखवते.
संशोधन दिनांक: 2026-08-12
4.3
सुसंगतता
9.2
लागू नाही
$0.000
एकूण आउटपुट टोकन्स
2,596
एकूण इनपुट टोकन्स
33,744
इनपुट किंमत
$0.000 / 1M
आउटपुट किंमत
$0.000 / 1M
अस्थिर चाचण्या
1
अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).
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 14:27 नवीन चाचणी जोडली | 4.3 | लागू नाही | $0.000 | सध्याची रन | |
| 2026-05-22 00:40 सूट बदलला | 5.4 | लागू नाही | $0.000 | तुलना करा | |
| 2026-04-22 12:55 पहिली नोंदलेली रन | 5.2 | लागू नाही | $0.000 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-06-04 14:27 · सध्याची रन | 21/22 चाचण्या · 63/66 प्रयत्न | 4.3 | 9.2 | लागू नाही | 6/21 | 1 | 2,596 | 33,744 | $0.000 | 1.27s |
| 2026-05-22 00:40 · सूट बदलला | 20/20 चाचण्या · 60/60 प्रयत्न | 5.4 | 9.6 | लागू नाही | 6/19 | 1 | 2,596 | 0 | $0.000 | 1.27s |
| फरक | — | -1.1 | -0.4 | -1 | 0 | 0 | +33744 | $0.000 | 0ms |
बेंचमार्क कव्हरेज वेगळे आहे: 21/21 चाचण्या · 63/63 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 20/20 चाचण्या · 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.
पहिले मॉडेल निवडा, नंतर दुसरे मॉडेल क्लिक करून बाजू-बाजूची तुलना पेज उघडा.
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| अँटी-एआय युक्त्या | 6.6 | 10.0 | |
| कोडिंग | 3.7 | 7.8 | |
| संयुक्त | 1.5 | 5.0 | |
| डेटा पार्सिंग आणि निष्कर्षण | 6.5 | 10.0 | |
| डोमेन-विशिष्ट | 3.0 | 10.0 | |
| Samanya Buddhimatta | 4.3 | 10.0 | |
| सूचनांचे पालन | 9.8 | 10.0 | |
| कोडी सोडवणे | 5.3 | 10.0 | |
| टूल कॉलिंग | 3.0 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |