#119

MiniMax M2.5

Minimax प्रकाशन: 2026-02-12 चाचणी तारीख: 2026-05-21 23:48 minimax/minimax-m2.5::medium

सारांश

MiniMax M2.5 AI BENCHY वर 5.4 स्कोर करते आणि #119 वर आहे. याची reliability 8.3, pass rate 50.0%, एकूण खर्च $0.305, आणि सरासरी response time 50.25s आहे.

MiniMax M2.5 खास का आहे: हे संयुक्त मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर कोडिंग हा सर्वात कमकुवत भाग आहे, rank #11. हे असामान्यपणे जास्त reasoning tokens वापरते, ज्यामुळे runs हळू किंवा महाग होऊ शकतात.

स्कोअर

5.4

सुसंगतता

6.1

विश्वसनीयता

8.3

एकूण खर्च (सध्याची किंमत)

$0.305

एकूण आउटपुट टोकन्स

360,672

एकूण इनपुट टोकन्स

इनपुट किंमत

$0.150 / 1M

आउटपुट किंमत

$1.150 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 15

प्रति प्रयत्न पास दर: 50.0%

अस्थिर चाचण्या

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

प्रतिसाद वेळ (सरासरी)

50.25s

प्रतिसाद वेळ (कमाल): 237.27s

प्रतिसाद वेळ (एकूण): 603.06s

चुकीचे उत्तर: 7 वेळ संपला: 4 सूचनांचे पालन केले नाही: 3 अवैध टूल कॉल: 1

जनरेशन शोकेस

Hamster playing table tennis

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

#119 MiniMax M2.5

medium

अवैध SVG

खर्च: $0.000
वेळ: 300.0s
टोकन्स: 0 tok

रन इतिहास

चाचणी तारीख	स्कोअर	विश्वसनीयता	एकूण खर्च	तुलना करा
2026-06-04 13:23 नवीन चाचणी जोडली	5.3	8.9	$0.385 ↓	तुलना करा
2026-05-21 23:48 सूट बदलला	5.4	8.3	$0.305	सध्याची रन
2026-04-20 17:48 पहिली नोंदलेली रन	5.7	लागू नाही	$0.250	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)
2026-05-21 23:48 · सूट बदलला	5.4	6.1	8.3	5/20	10	360,672	0	$0.305	50.25s
2026-06-04 13:23 · नवीन चाचणी जोडली	5.3	6.2	8.9	5/21	10	440,309	43,706	$0.385	65.37s
फरक	+0.1	-0.1	-0.6	0	0	-79637	-43706	-$0.081	-15111ms

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

श्रेणीवार तपशील

श्रेणी	स्कोअर	सुसंगतता
अँटी-एआय युक्त्या	7.9	6.3
कोडिंग	3.5	9.8
संयुक्त	4.5	2.1
डेटा पार्सिंग आणि निष्कर्षण	4.6	1.7
डोमेन-विशिष्ट	2.9	4.4
Samanya Buddhimatta	3.8	2.5
सूचनांचे पालन	7.5	6.7
कोडी सोडवणे	5.3	7.2
टूल कॉलिंग	10.0	10.0
सामान्य ज्ञान	3.0	10.0

MiniMax M2.5

Hamster playing table tennis

#119 MiniMax M2.5

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