#51 MoonshotAI: Kimi K2.5
medium- खर्च
- $0.030
- वेळ
- 58.6s
- टोकन्स
- 8,683 tok
Moonshot AI
प्रकाशन: 2026-01-27
चाचणी तारीख: 2026-04-20 17:48
moonshotai/kimi-k2.5::medium
1T एकूण (32B सक्रिय)MoEवेट्स उपलब्ध
(medium)
(none)
सारांश
Kimi K2.5 AI BENCHY वर 7.0 स्कोर करते आणि #51 वर आहे. याची reliability लागू नाही, pass rate 72.2%, एकूण खर्च $0.220, आणि सरासरी response time 72.43s आहे.
Kimi K2.5 खास का आहे: हे संयुक्त मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर कोडिंग हा सर्वात कमकुवत भाग आहे, rank #18.
मॉडेलची माहिती
संशोधन दिनांक: 2026-08-12
- पॅरामीटर्स
- 1T एकूण (32B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- वेट्स उपलब्ध
- परवाना
- Modified MIT
7.0
सुसंगतता
6.8
लागू नाही
$0.220
एकूण आउटपुट टोकन्स
127,046
एकूण इनपुट टोकन्स
0
इनपुट किंमत
$0.440 / 1M
आउटपुट किंमत
$2.000 / 1M
अस्थिर चाचण्या
7
अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).
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 |
|---|---|---|---|---|---|
| 2026-08-14 02:00 पुन्हा चाचणी | 7.0 | 10.0 | $0.607 ↑ | तुलना करा | |
| 2026-07-16 22:17 नवीन चाचणी जोडली | 7.0 | 10.0 | $0.600 ↑ | तुलना करा | |
| 2026-06-04 13:43 नवीन चाचणी जोडली | 6.8 | 10.0 | $0.328 ↓ | तुलना करा | |
| 2026-05-22 00:12 सूट बदलला | 6.7 | 10.0 | $0.314 | तुलना करा | |
| 2026-04-20 17:48 पहिली नोंदलेली रन | 7.0 | लागू नाही | $0.220 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-20 17:48 · पहिली नोंदलेली रन | 54/54 प्रयत्न | 7.0 | 6.8 | लागू नाही | 9/18 | 7 | 127,046 | 0 | $0.220 | 72.43s |
| 2026-06-04 13:43 · नवीन चाचणी जोडली | 63/63 प्रयत्न | 6.8 | 6.9 | 10.0 | 10/21 | 8 | 206,126 | 34,312 | $0.328 | 98.43s |
| फरक | — | +0.2 | -0.1 | -1 | -1 | -79080 | -34312 | -$0.108 | -26003ms |
बेंचमार्क कव्हरेज वेगळे आहे: 54/54 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 63/63 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.
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
Kimi K2.5mediumvsSeed-2.0-MinimediumKimi K2.5mediumvsKAT-Coder-Pro V2.5mediumKimi K2.5mediumvsGrok 4.20mediumKimi K2.5mediumvsQwen3.7 FlashmediumKimi K2.5mediumvsMercury 2mediumKimi K2.5mediumvsSeed-2.0-CodehighKimi K2.5mediumvsGPT-5.5noneKimi K2.5mediumvsGemini 3.5 FlashnoneKimi K2.5mediumvsGLM 5.1mediumKimi K2.5mediumvsQwen3.6 Flashmedium
श्रेणीवार तपशील
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| अँटी-एआय युक्त्या | 7.3 | 5.8 | |
| कोडिंग | 4.7 | 1.6 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग आणि निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 3.5 | 4.4 | |
| Samanya Buddhimatta | 6.5 | 3.4 | |
| सूचनांचे पालन | 10.0 | 10.0 | |
| कोडी सोडवणे | 5.3 | 7.3 | |
| टूल कॉलिंग | 10.0 | 10.0 |