AI BENCHY
Advertise here
#107

Grok 4.20 Beta

X AI प्रकाशन: 2026-03-12 चाचणी तारीख: 2026-05-06 14:15 x-ai/grok-4.20-beta::none
(medium) (none)

सारांश

Grok 4.20 Beta AI BENCHY वर 5.8 स्कोर करते आणि #107 वर आहे. याची reliability लागू नाही, pass rate 37.0%, एकूण खर्च $0.087, आणि सरासरी response time 1.19s आहे.

Grok 4.20 Beta खास का आहे: हे कोडी सोडवणे मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर सूचनांचे पालन हा सर्वात कमकुवत भाग आहे, rank #10. समान मॉडेल्सच्या तुलनेत हे लक्षणीय वेगवान 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.

स्कोअर

5.8

सुसंगतता

9.6

विश्वसनीयता

लागू नाही

एकूण खर्च (सध्याची किंमत)

$0.087 ↓ -4.8%

या किमतीवर चाचणी केली: $0.091

एकूण आउटपुट टोकन्स

1,657

एकूण इनपुट टोकन्स

40,597

इनपुट किंमत

$2.041 / 1M

आउटपुट किंमत

$2.041 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 12

प्रति प्रयत्न पास दर: 37.0%

अस्थिर चाचण्या

1

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

प्रतिसाद वेळ (सरासरी)

1.19s

प्रतिसाद वेळ (कमाल): 6.48s

प्रतिसाद वेळ (एकूण): 21.43s

चुकीचे उत्तर: 10 सूचनांचे पालन केले नाही: 1 अवैध टूल कॉल: 1

Generation showcase

Hamster playing table tennis

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

#107 Grok 4.20 Beta

none
Invalid SVG
Cost
$0.004
Time
8.5s
Tokens
1,672 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-05-06 14:15 पुन्हा चाचणी 5.8 लागू नाही $0.087 ↓ सध्याची रन
2026-05-06 14:15 पुन्हा चाचणी 5.5 लागू नाही $0.091 तुलना करा
2026-05-06 14:15 पुन्हा चाचणी 5.5 लागू नाही $0.091 तुलना करा
2026-05-06 14:15 सूट बदलला 5.5 लागू नाही $0.091 तुलना करा
2026-04-11 01:19 पहिली नोंदलेली रन 5.3 लागू नाही $0.091 तुलना करा

किंमत इतिहास

OpenRouter मधील या मॉडेलचा ऐतिहासिक किंमत डेटा.

तारीख इनपुट किंमत आउटपुट किंमत
2026-06-04 15:40 $2.041 / 1M $2.041 / 1M

चार्ट्स

पहिले मॉडेल निवडा, नंतर दुसरे मॉडेल क्लिक करून बाजू-बाजूची तुलना पेज उघडा.

एकूण आउटपुट टोकन्स

स्कोअर vs एकूण आउटपुट टोकन्स

झटपट तुलना

Grok 4.20 BetanonevsGemini 3 Flash PreviewmediumGrok 4.20 BetanonevsGemini 3.5 FlashhighGrok 4.20 BetanonevsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धGrok 4.20 BetanonevsGemini 3.5 Flashlow

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
अँटी-एआय युक्त्या 4.0 8.4
कोडिंग 5.5 10.0
संयुक्त 3.0 10.0
डेटा पार्सिंग आणि निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 3.0 10.0
Samanya Buddhimatta 5.0 10.0
सूचनांचे पालन 6.3 10.0
कोडी सोडवणे 7.7 10.0
टूल कॉलिंग 10.0 10.0

तुलना केलेली मॉडेल्स