Advertise here
#114

Qwen3.5-27B

Qwen प्रकाशन: 2026-02-24 चाचणी तारीख: 2026-10-01 01:06 qwen/qwen3.5-27b::medium
27Bघनमुक्त स्रोत
(medium) (none)

सारांश

Qwen3.5-27B AI BENCHY वर 7.9 स्कोर करते आणि #114 वर आहे. याची reliability 10.0, pass rate 76.8%, एकूण खर्च $1.135, आणि सरासरी response time 114.73s आहे.

Qwen3.5-27B खास का आहे: हे डोमेन-विशिष्ट मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #4 आहे; तर कोडिंग हा सर्वात कमकुवत भाग आहे, rank #13. हे असामान्यपणे जास्त reasoning tokens वापरते, ज्यामुळे runs हळू किंवा महाग होऊ शकतात.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

जाहीर केलेले
पॅरामीटर्स
27B
आर्किटेक्चर
घन
उपलब्धता
मुक्त स्रोत
परवाना
Apache-2.0
पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

7.9

सुसंगतता

7.9

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$1.135

एकूण आउटपुट टोकन्स

635,288

एकूण इनपुट टोकन्स

288,919

इनपुट किंमत

$0.195 / 1M

आउटपुट किंमत

$1.560 / 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: 9

प्रति प्रयत्न पास दर: 76.8%

अस्थिर चाचण्या

6

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

प्रतिसाद वेळ (सरासरी)

114.73s

प्रतिसाद वेळ (कमाल): 1026.43s

प्रतिसाद वेळ (एकूण): 2638.74s

चुकीचे उत्तर: 4 सूचनांचे पालन केले नाही: 2 अतिरिक्त फॉरमॅटिंग: 1 अवैध टूल कॉल: 1 वेळ संपला: 1

Hamster playing table tennis

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

#114 Qwen3.5-27B

medium
खर्च
$0.008
वेळ
62.0s
टोकन्स
3,099 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-10-01 01:06 पुन्हा चाचणी 7.9 10.0 $1.135 सध्याची रन
2026-07-16 22:51 नवीन चाचणी जोडली 7.4 10.0 $0.981 ↓ तुलना करा
2026-06-04 13:40 नवीन चाचणी जोडली 7.8 10.0 $0.536 ↓ तुलना करा
2026-05-22 00:04 सूट बदलला 7.9 10.0 $0.607 तुलना करा
2026-04-11 01:44 पहिली नोंदलेली रन 8.4 लागू नाही $0.497 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)
2026-10-01 01:06 · सध्याची रन69/69 प्रयत्न7.97.910.014/236635,288288,919$1.135114.73s
2026-06-04 13:40 · नवीन चाचणी जोडली63/63 प्रयत्न7.88.510.013/214337,82342,164$0.53668.39s
फरक—+0.2-0.60.0+1+2+297465+246755+$0.600+46335ms

बेंचमार्क कव्हरेज वेगळे आहे: 69/69 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.

एकूण आउटपुट टोकन्स

स्कोअर vs एकूण आउटपुट टोकन्स

झटपट तुलना

Qwen3.5-27BmediumvsGPT-5.6 TerralowQwen3.5-27BmediumvsGLM 5.3 FlashXmaxQwen3.5-27BmediumvsQwen3.8 Flash NextlowQwen3.5-27BmediumvsClaude Fable 5.1highQwen3.5-27BmediumvsGemini 3.8 FlashmediumQwen3.5-27BmediumvsGPT-5.4 MinimediumQwen3.5-27BmediumvsGPT-5.4 NanomediumQwen3.5-27BmediumvsQwen3.7 MaxnoneQwen3.5-27BmediumvsNemotron 3 Ultramediumमोफत उपलब्धQwen3.5-27BmediumvsGemini 3.5 Flashmedium

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
स्वायत्त एजंट कार्ये 10.0 10.0
अँटी-एआय युक्त्या 8.7 7.9
कोडिंग 6.2 7.1
संयुक्त 7.3 5.8
डेटा पार्सिंग आणि निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 5.9 7.2
Samanya Buddhimatta 6.1 3.1
सूचनांचे पालन 10.0 10.0
कोडी सोडवणे 8.2 7.7
टूल कॉलिंग 10.0 10.0
सामान्य ज्ञान 3.0 10.0

तुलना केलेली मॉडेल्स