#115

KAT Coder AIR V2.5

Kwaipilot प्रकाशन: 2026-07-14 चाचणी तारीख: 2026-07-14 11:05 kwaipilot/kat-coder-air-v2.5::medium

~35B एकूण (~3B सक्रिय)MoEबंद स्रोतअंदाजित

(high) (medium) (low) (default)

सारांश

KAT Coder AIR V2.5 AI BENCHY वर 6.2 स्कोर करते आणि #115 वर आहे. याची reliability 9.7, pass rate 47.6%, एकूण खर्च $0.045, आणि सरासरी response time 8.28s आहे.

KAT Coder AIR V2.5 खास का आहे: हे सूचनांचे पालन मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर कोडिंग हा सर्वात कमकुवत भाग आहे, rank #18. या score range साठी एकूण benchmark खर्च असामान्यपणे कमी आहे. समान मॉडेल्सच्या तुलनेत हे लक्षणीय वेगवान आहे.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

अंदाजित

पॅरामीटर्स: ~35B एकूण (~3B सक्रिय)
आर्किटेक्चर: MoE
उपलब्धता: बंद स्रोत
परवाना: -

सार्वजनिक पुराव्यावर आधारित सर्वोत्तम अंदाज; प्रदात्याने सर्व मूल्ये जाहीर केलेली नाहीत.

पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

6.2

सुसंगतता

8.8

विश्वसनीयता

9.7

एकूण खर्च (सध्याची किंमत)

$0.045

एकूण आउटपुट टोकन्स

64,116

एकूण इनपुट टोकन्स

42,750

इनपुट किंमत

$0.150 / 1M

आउटपुट किंमत

$0.600 / 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.

बरोबर चाचण्या

चुकीच्या चाचण्या: 13

प्रति प्रयत्न पास दर: 47.6%

अस्थिर चाचण्या

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

प्रतिसाद वेळ (सरासरी)

8.28s

प्रतिसाद वेळ (कमाल): 48.19s

प्रतिसाद वेळ (एकूण): 173.80s

चुकीचे उत्तर: 11 अतिरिक्त फॉरमॅटिंग: 1 सूचनांचे पालन केले नाही: 1

Hamster playing table tennis

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

#115 KAT-Coder-Air V2.5

medium

खर्च: $0.003
वेळ: 23.7s
टोकन्स: 4,924 tok

रन इतिहास

चाचणी तारीख	स्कोअर	विश्वसनीयता	एकूण खर्च	तुलना करा
2026-08-14 03:26 पुन्हा चाचणी	5.6	9.6	$0.048	तुलना करा
2026-07-16 23:34 नवीन चाचणी जोडली	5.6	9.9	$0.048	तुलना करा
2026-07-14 11:05 पहिला रन	6.2	9.7	$0.045	सध्याची रन

रन तुलना

रन	बेंचमार्क कव्हरेज	स्कोअर	सुसंगतता	विश्वसनीयता	बरोबर चाचण्या	अस्थिर चाचण्या	एकूण आउटपुट टोकन्स	एकूण इनपुट टोकन्स	एकूण खर्च	प्रतिसाद वेळ (सरासरी)
2026-07-14 11:05 · पहिला रन	63/63 प्रयत्न	6.2	8.8	9.7	8/21	3	64,116	42,750	$0.045	8.28s
2026-07-16 23:34 · नवीन चाचणी जोडली	66/66 प्रयत्न	5.6	8.9	9.9	8/22	3	66,174	51,472	$0.048	8.42s
फरक	—	+0.6	-0.1	-0.2	0	0	-2058	-8722	-$0.003	-144ms

बेंचमार्क कव्हरेज वेगळे आहे: 63/63 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 66/66 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.

किंमत इतिहास

OpenRouter मधील या मॉडेलचा ऐतिहासिक किंमत डेटा.

तारीख	इनपुट किंमत	आउटपुट किंमत	कॅश वाचण्याची किंमत	कॅश लिहिण्याची किंमत
2026-07-14 11:25	$0.150 / 1M	$0.600 / 1M	लागू नाही	लागू नाही

चार्ट्स

पहिले मॉडेल निवडा, नंतर दुसरे मॉडेल क्लिक करून बाजू-बाजूची तुलना पेज उघडा.

एकूण आउटपुट टोकन्स

स्कोअर vs एकूण आउटपुट टोकन्स

झटपट तुलना

श्रेणीवार तपशील

श्रेणी	स्कोअर	सुसंगतता
अँटी-एआय युक्त्या	8.7	8.0
कोडिंग	3.6	7.0
संयुक्त	10.0	10.0
डेटा पार्सिंग आणि निष्कर्षण	6.5	10.0
डोमेन-विशिष्ट	3.0	10.0
Samanya Buddhimatta	5.0	10.0
सूचनांचे पालन	10.0	10.0
कोडी सोडवणे	3.6	7.2
टूल कॉलिंग	10.0	10.0
सामान्य ज्ञान	3.0	10.0

KAT Coder AIR V2.5

मॉडेलची माहिती

Hamster playing table tennis

#115 KAT-Coder-Air V2.5

चार्ट्स

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

तुलना केलेली मॉडेल्स