#56

Qwen3.6 Max Preview

Qwen प्रकाशन: 2026-04-20 चाचणी तारीख: 2026-04-27 23:05 qwen/qwen3.6-max-preview::none

~1T एकूण (~40B सक्रिय)MoEबंद स्रोतअंदाजित

(medium) (none)

सारांश

Qwen3.6 Max Preview AI BENCHY वर 7.3 स्कोर करते आणि #56 वर आहे. याची reliability 10.0, pass rate 66.7%, एकूण खर्च $0.083, आणि सरासरी response time 3.38s आहे.

Qwen3.6 Max Preview खास का आहे: हे डोमेन-विशिष्ट मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर अँटी-एआय युक्त्या हा सर्वात कमकुवत भाग आहे, rank #18. या score range साठी एकूण benchmark खर्च असामान्यपणे कमी आहे. समान मॉडेल्सच्या तुलनेत हे लक्षणीय वेगवान आहे.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

अंदाजित

पॅरामीटर्स: ~1T एकूण (~40B सक्रिय)
आर्किटेक्चर: MoE
उपलब्धता: बंद स्रोत
परवाना: -

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

पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

7.3

सुसंगतता

8.7

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$0.083

एकूण आउटपुट टोकन्स

4,732

एकूण इनपुट टोकन्स

इनपुट किंमत

$1.300 / 1M

आउटपुट किंमत

$7.800 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 8

प्रति प्रयत्न पास दर: 66.7%

अस्थिर चाचण्या

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

प्रतिसाद वेळ (सरासरी)

3.38s

प्रतिसाद वेळ (कमाल): 20.51s

प्रतिसाद वेळ (एकूण): 60.83s

चुकीचे उत्तर: 7 सूचनांचे पालन केले नाही: 1

Hamster playing table tennis

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

#56 Qwen3.6 Max Preview

none

खर्च: $0.025
वेळ: 83.9s
टोकन्स: 4,066 tok

रन इतिहास

चाचणी तारीख	स्कोअर	विश्वसनीयता	एकूण खर्च	तुलना करा
2026-08-14 01:44 पुन्हा चाचणी	6.4	9.9	$0.228 ↓	तुलना करा
2026-07-16 21:32 नवीन चाचणी जोडली	6.6	9.9	$0.231 ↓	तुलना करा
2026-06-04 13:21 नवीन चाचणी जोडली	6.9	10.0	$0.075 ↓	तुलना करा
2026-05-21 23:53 सूट बदलला	7.1	10.0	$0.088	तुलना करा
2026-04-27 23:05 पहिला रन	7.3	10.0	$0.083	सध्याची रन

रन तुलना

रन	बेंचमार्क कव्हरेज	स्कोअर	सुसंगतता	विश्वसनीयता	बरोबर चाचण्या	अस्थिर चाचण्या	एकूण आउटपुट टोकन्स	एकूण खर्च	प्रतिसाद वेळ (सरासरी)
2026-04-27 23:05 · पहिला रन	54/54 प्रयत्न	7.3	8.7	10.0	10/18	3	4,732	$0.083	3.38s
2026-05-21 23:53 · सूट बदलला	60/60 प्रयत्न	7.1	9.2	10.0	11/20	2	4,775	$0.088	3.27s
फरक	—	+0.3	-0.5	0.0	-1	+1	-43	-$0.005	+106ms

बेंचमार्क कव्हरेज वेगळे आहे: 54/54 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 60/60 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	5.2	7.9
कोडिंग	5.0	2.0
संयुक्त	3.0	10.0
डेटा पार्सिंग आणि निष्कर्षण	10.0	10.0
डोमेन-विशिष्ट	7.7	10.0
Samanya Buddhimatta	4.3	10.0
सूचनांचे पालन	8.4	6.9
कोडी सोडवणे	10.0	10.0
टूल कॉलिंग	10.0	10.0

Qwen3.6 Max Preview

मॉडेलची माहिती

Hamster playing table tennis

#56 Qwen3.6 Max Preview

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