#101

Qwen3.5 Plus 2026-04-20

Qwen प्रकाशन: 2026-04-20 चाचणी तारीख: 2026-05-21 23:47 qwen/qwen3.5-plus-20260420::none

~397B एकूण (~17B सक्रिय)MoEबंद स्रोतअंदाजित

(medium) (none)

सारांश

Qwen3.5 Plus 2026-04-20 AI BENCHY वर 5.8 स्कोर करते आणि #101 वर आहे. याची reliability 9.9, pass rate 43.3%, एकूण खर्च $0.041, आणि सरासरी response time 4.58s आहे.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

अंदाजित

पॅरामीटर्स: ~397B एकूण (~17B सक्रिय)
आर्किटेक्चर: MoE
उपलब्धता: बंद स्रोत
परवाना: -

सार्वजनिक पुराव्यावर आधारित सर्वोत्तम अंदाज; प्रदात्याने सर्व मूल्ये जाहीर केलेली नाहीत.

पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

5.8

सुसंगतता

8.5

विश्वसनीयता

9.9

एकूण खर्च (सध्याची किंमत)

$0.041

एकूण आउटपुट टोकन्स

11,174

एकूण इनपुट टोकन्स

इनपुट किंमत

$0.300 / 1M

आउटपुट किंमत

$1.800 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 13

प्रति प्रयत्न पास दर: 43.3%

अस्थिर चाचण्या

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

प्रतिसाद वेळ (सरासरी)

4.58s

प्रतिसाद वेळ (कमाल): 33.34s

प्रतिसाद वेळ (एकूण): 91.55s

चुकीचे उत्तर: 11 सूचनांचे पालन केले नाही: 2

Hamster playing table tennis

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

#101 Qwen3.5 Plus 2026-04-20

none

खर्च: $0.008
वेळ: 77.0s
टोकन्स: 4,369 tok

रन इतिहास

चाचणी तारीख	स्कोअर	विश्वसनीयता	एकूण खर्च	तुलना करा
2026-08-14 01:39 पुन्हा चाचणी	6.1	10.0	$0.122 ↓	तुलना करा
2026-07-16 21:27 नवीन चाचणी जोडली	6.1	10.0	$0.122 ↓	तुलना करा
2026-06-04 13:10 नवीन चाचणी जोडली	5.7	10.0	$0.032 ↓	तुलना करा
2026-05-21 23:47 सूट बदलला	5.8	9.9	$0.041	सध्याची रन
2026-05-08 13:10 सूट बदलला	5.9	9.9	$0.040	तुलना करा
2026-05-08 13:10 सूट बदलला	5.9	9.9	$0.040	तुलना करा
2026-04-27 23:05 पहिला रन	5.8	9.8	$0.024	तुलना करा

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

रन तुलना

रन	बेंचमार्क कव्हरेज	स्कोअर	सुसंगतता	विश्वसनीयता	बरोबर चाचण्या	अस्थिर चाचण्या	एकूण आउटपुट टोकन्स	एकूण खर्च	प्रतिसाद वेळ (सरासरी)
2026-05-21 23:47 · सूट बदलला	60/60 प्रयत्न	5.8	8.5	9.9	7/20	4	11,174	$0.041	4.58s
2026-05-08 13:10 · सूट बदलला	57/57 प्रयत्न	5.9	8.4	9.9	7/19	4	11,150	$0.040	4.77s
फरक	—	-0.1	+0.1	0.0	0	0	+24	+$0.002	-190ms

बेंचमार्क कव्हरेज वेगळे आहे: 60/60 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 57/57 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

श्रेणीवार तपशील

श्रेणी	स्कोअर	सुसंगतता
अँटी-एआय युक्त्या	4.8	10.0
कोडिंग	4.4	6.7
संयुक्त	2.8	1.6
डेटा पार्सिंग आणि निष्कर्षण	10.0	10.0
डोमेन-विशिष्ट	5.3	10.0
Samanya Buddhimatta	4.8	10.0
सूचनांचे पालन	6.2	5.8
कोडी सोडवणे	6.7	7.9
टूल कॉलिंग	10.0	10.0
सामान्य ज्ञान	3.0	10.0

Qwen3.5 Plus 2026-04-20

मॉडेलची माहिती

Hamster playing table tennis

#101 Qwen3.5 Plus 2026-04-20

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