#18 Grok 4.20 Beta
medium- खर्च
- $0.034
- वेळ
- 91.0s
- टोकन्स
- 13,523 tok
X AI
प्रकाशन: 2026-03-12
चाचणी तारीख: 2026-05-06 14:15
x-ai/grok-4.20-beta::medium
~1T एकूण (~100B सक्रिय)MoEबंद स्रोतअंदाजित
(medium)
(none)
सारांश
Grok 4.20 Beta AI BENCHY वर 8.2 स्कोर करते आणि #18 वर आहे. याची reliability लागू नाही, pass rate 79.6%, एकूण खर्च $0.633, आणि सरासरी response time 9.81s आहे.
संग्रहित मॉडेल: हे मॉडेल आता अपडेट केले जाणार नाही आणि नवीन चाचण्यांवर तपासले जाणार नाही.
ओळख नोंद
Grok 4.20 Beta हे xAI: Grok 4.20 ची प्रीव्ह्यू आवृत्ती होती.
मॉडेलची माहिती
संशोधन दिनांक: 2026-08-12
- पॅरामीटर्स
- ~1T एकूण (~100B सक्रिय)
- आर्किटेक्चर
- MoE
- उपलब्धता
- बंद स्रोत
- परवाना
- -
सार्वजनिक पुराव्यावर आधारित सर्वोत्तम अंदाज; प्रदात्याने सर्व मूल्ये जाहीर केलेली नाहीत.
8.2
सुसंगतता
9.1
लागू नाही
$0.633
एकूण आउटपुट टोकन्स
93,477
एकूण इनपुट टोकन्स
0
इनपुट किंमत
$0.000 / 1M
आउटपुट किंमत
$0.000 / 1M
अस्थिर चाचण्या
2
अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
रन इतिहास
| चाचणी तारीख | स्कोअर | विश्वसनीयता | बरोबर चाचण्या | एकूण खर्च | तुलना करा |
|---|---|---|---|---|---|
| 2026-05-06 14:15 पुन्हा चाचणी | 6.0 | लागू नाही | $0.750 ↑ | तुलना करा | |
| 2026-05-06 14:15 पुन्हा चाचणी | 6.0 | लागू नाही | $0.750 ↑ | तुलना करा | |
| 2026-05-06 14:15 पुन्हा चाचणी | 8.5 | लागू नाही | $0.750 ↑ | तुलना करा | |
| 2026-05-06 14:15 पुन्हा चाचणी | 8.2 | लागू नाही | $0.633 | तुलना करा | |
| 2026-05-06 14:15 पुन्हा चाचणी | 8.2 | लागू नाही | $0.633 | तुलना करा | |
| 2026-05-06 14:15 सूट बदलला | 8.2 | लागू नाही | $0.633 | सध्याची रन | |
| 2026-04-11 01:19 पहिली नोंदलेली रन | 8.0 | लागू नाही | $0.633 | 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 इनपुट टोकन्स | एकूण खर्च | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-06 14:15 · सूट बदलला | 52/54 प्रयत्न | 8.2 | 9.1 | लागू नाही | 13/18 | 2 | 93,477 | 0 | $0.633 | 9.81s |
| 2026-04-11 01:19 · पहिली नोंदलेली रन | 52/54 प्रयत्न | 8.0 | 9.1 | लागू नाही | 12/18 | 2 | 93,477 | 0 | $0.633 | 9.81s |
| फरक | — | +0.2 | 0.0 | +1 | 0 | 0 | 0 | $0.000 | 0ms |
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.
स्कोअरनुसार शीर्ष मॉडेल्स
स्कोअर vs एकूण खर्च
प्रतिसाद वेळ (सरासरी)
स्कोअर vs प्रतिसाद वेळ (सरासरी)
एकूण आउटपुट टोकन्स
स्कोअर vs एकूण आउटपुट टोकन्स
श्रेणीवार तपशील
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| अँटी-एआय युक्त्या | 8.7 | 7.9 | |
| कोडिंग | 10.0 | 10.0 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग आणि निष्कर्षण | 10.0 | 10.0 | |
| डोमेन-विशिष्ट | 5.3 | 10.0 | |
| Samanya Buddhimatta | 10.0 | 10.0 | |
| सूचनांचे पालन | 9.8 | 10.0 | |
| कोडी सोडवणे | 8.2 | 7.2 | |
| टूल कॉलिंग | 3.0 | 10.0 |