8.2
सुसंगतता
8.7
लागू नाही
$0.832
एकूण आउटपुट टोकन्स
50,901
एकूण इनपुट टोकन्स
0
इनपुट किंमत
$2.500 / 1M
आउटपुट किंमत
$15.000 / 1M
अस्थिर चाचण्या
3
अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).
रन इतिहास
| चाचणी तारीख | स्कोअर | विश्वसनीयता | बरोबर चाचण्या | एकूण खर्च | तुलना करा |
|---|---|---|---|---|---|
| 2026-06-04 13:46 नवीन चाचणी जोडली | 8.0 | 10.0 | $1.210 | तुलना करा | |
| 2026-05-22 00:19 सूट बदलला | 7.9 | 10.0 | $1.140 | तुलना करा | |
| 2026-04-11 01:44 पहिली नोंदलेली रन | 8.2 | लागू नाही | $0.832 | सध्याची रन |
रन तुलना
| रन | स्कोअर | सुसंगतता | विश्वसनीयता | बरोबर चाचण्या | अस्थिर चाचण्या | एकूण आउटपुट टोकन्स | एकूण इनपुट टोकन्स | एकूण खर्च | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-04-11 01:44 · पहिली नोंदलेली रन | 8.2 | 8.7 | लागू नाही | 13/18 | 3 | 50,901 | 0 | $0.832 | 18.63s |
| 2026-06-04 13:46 · नवीन चाचणी जोडली | 8.0 | 8.6 | 10.0 | 14/21 | 4 | 74,949 | 34,108 | $1.210 | 22.35s |
| फरक | +0.2 | +0.1 | -1 | -1 | -24048 | -34108 | -$0.378 | -3722ms |
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.
स्कोअर vs एकूण खर्च
प्रतिसाद वेळ (सरासरी)
स्कोअर vs प्रतिसाद वेळ (सरासरी)
एकूण आउटपुट टोकन्स
स्कोअर vs एकूण आउटपुट टोकन्स
झटपट तुलना
GPT-5.4mediumvsGLM 5mediumGPT-5.4mediumvsSeed-2.0-LitemediumGPT-5.4mediumvsGemini 3 Flash PreviewlowGPT-5.4mediumvsGemini 3.5 FlashnoneGPT-5.4mediumvsGPT-5.3-CodexmediumGPT-5.4mediumvsGemini 3 Flash PreviewmediumGPT-5.4mediumvsGemini 3.5 FlashhighGPT-5.4mediumvsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धGPT-5.4mediumvsGemini 3.5 Flashlow
श्रेणीवार तपशील
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| अँटी-एआय युक्त्या | 8.3 | 10.0 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग आणि निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 5.3 | 7.2 | |
| Samanya Buddhimatta | 4.7 | 3.1 | |
| सूचनांचे पालन | 10.0 | 10.0 | |
| कोडी सोडवणे | 8.2 | 7.2 | |
| टूल कॉलिंग | 10.0 | 10.0 |