AI BENCHY
Advertise here
#79

Kimi K2.5

Moonshot AI प्रकाशन: 2026-01-27 चाचणी तारीख: 2026-05-22 00:12 moonshotai/kimi-k2.5::medium
1T एकूण (32B सक्रिय)MoEवेट्स उपलब्ध
(medium) (none)

सारांश

Kimi K2.5 AI BENCHY वर 6.7 स्कोर करते आणि #79 वर आहे. याची reliability 10.0, pass rate 66.7%, एकूण खर्च $0.314, आणि सरासरी response time 89.36s आहे.

Kimi K2.5 खास का आहे: हे Samanya Buddhimatta मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #4 आहे; तर कोडिंग हा सर्वात कमकुवत भाग आहे, rank #17.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

जाहीर केलेले
पॅरामीटर्स
1T एकूण (32B सक्रिय)
आर्किटेक्चर
MoE
उपलब्धता
वेट्स उपलब्ध
परवाना
Modified MIT
पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

6.7

सुसंगतता

6.8

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$0.314

एकूण आउटपुट टोकन्स

174,803

एकूण इनपुट टोकन्स

0

इनपुट किंमत

$0.400 / 1M

आउटपुट किंमत

$1.900 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 11

प्रति प्रयत्न पास दर: 66.7%

अस्थिर चाचण्या

8

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

प्रतिसाद वेळ (सरासरी)

89.36s

प्रतिसाद वेळ (कमाल): 281.00s

प्रतिसाद वेळ (एकूण): 1161.65s

चुकीचे उत्तर: 5 सूचनांचे पालन केले नाही: 2 उत्तर नाही: 2 वेळ संपला: 2

Hamster playing table tennis

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

#79 MoonshotAI: Kimi K2.5

medium
खर्च
$0.030
वेळ
58.6s
टोकन्स
8,683 tok

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 सध्याची रन
2026-04-20 17:48 पहिली नोंदलेली रन 7.0 लागू नाही $0.220 तुलना करा

या रनमध्ये वेगळा बेंचमार्क सूट वापरला गेला. ऐतिहासिक बदल वाचताना सूटमधील बदल लक्षात घ्या.

रन तुलना

रनबेंचमार्क कव्हरेजस्कोअरसुसंगतताविश्वसनीयताबरोबर चाचण्याअस्थिर चाचण्याएकूण आउटपुट टोकन्सएकूण इनपुट टोकन्सएकूण खर्चप्रतिसाद वेळ (सरासरी)
2026-05-22 00:12 · सूट बदलला60/60 प्रयत्न6.76.810.09/208174,8030$0.31489.36s
2026-08-14 02:00 · पुन्हा चाचणी66/66 प्रयत्न7.07.010.010/228220,942118,496$0.60798.19s
फरक—-0.3-0.20.0-10-46139-118496-$0.294-8833ms

बेंचमार्क कव्हरेज वेगळे आहे: 60/60 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.

चार्ट्स

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

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 4.1 1.9
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
सामान्य ज्ञान 3.0 10.0

तुलना केलेली मॉडेल्स