Advertise here
#225

Grok 4.20

X AI प्रकाशन: 2026-03-31 चाचणी तारीख: 2026-10-01 02:39 x-ai/grok-4.20::medium
~1T एकूण (~100B सक्रिय)MoEबंद स्रोतअंदाजित
(medium) (none)

सारांश

Grok 4.20 AI BENCHY वर 6.3 स्कोर करते आणि #225 वर आहे. याची reliability 10.0, pass rate 58.0%, एकूण खर्च $1.246, आणि सरासरी response time 36.73s आहे.

Grok 4.20 खास का आहे: हे संयुक्त मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #2 आहे; तर Samanya Buddhimatta हा सर्वात कमकुवत भाग आहे, rank #14.

ओळख नोंद

Grok 4.20 Beta हे Grok 4.20 ची प्रीव्ह्यू आवृत्ती होती.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

अंदाजित
पॅरामीटर्स
~1T एकूण (~100B सक्रिय)
आर्किटेक्चर
MoE
उपलब्धता
बंद स्रोत
परवाना
-

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

पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

6.3

सुसंगतता

8.2

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$1.246 ↓ -21.2%

या किमतीवर चाचणी केली: $1.582

एकूण आउटपुट टोकन्स

302,087

एकूण इनपुट टोकन्स

392,127

इनपुट किंमत

$1.250 / 1M

आउटपुट किंमत

$2.500 / 1M

कॅश वाचण्याची किंमत

$0.200 / 1M

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: 12

प्रति प्रयत्न पास दर: 58.0%

अस्थिर चाचण्या

5

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

प्रतिसाद वेळ (सरासरी)

36.73s

प्रतिसाद वेळ (कमाल): 199.66s

प्रतिसाद वेळ (एकूण): 844.68s

चुकीचे उत्तर: 7 अतिरिक्त फॉरमॅटिंग: 2 सूचनांचे पालन केले नाही: 2 अवैध टूल कॉल: 1

Hamster playing table tennis

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

#225 SpaceXAI: Grok 4.20

medium
खर्च
$0.041
वेळ
110.3s
टोकन्स
16,336 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-10-01 02:39 पुन्हा चाचणी 6.3 10.0 $1.246 ↓ सध्याची रन
2026-07-16 23:07 नवीन चाचणी जोडली 7.1 10.0 $0.777 ↓ तुलना करा
2026-06-04 14:17 नवीन चाचणी जोडली 7.1 10.0 $0.609 ↓ तुलना करा
2026-05-22 00:32 सूट बदलला 6.7 10.0 $0.832 तुलना करा
2026-05-08 15:32 सूट बदलला 6.9 10.0 $0.756 तुलना करा
2026-04-11 01:44 पहिली नोंदलेली रन 7.0 लागू नाही $0.743 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 02:39 · सध्याची रन69/69 प्रयत्न6.38.210.011/235302,087392,127$1.24636.73s
2026-06-04 14:17 · नवीन चाचणी जोडली63/63 प्रयत्न7.18.810.012/213221,34344,433$0.60927.68s
फरक—-0.9-0.60.0-1+2+80744+347694+$0.637+9046ms

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.

किंमत इतिहास

OpenRouter मधील या मॉडेलचा ऐतिहासिक किंमत डेटा.

तारीख इनपुट किंमत आउटपुट किंमत कॅश वाचण्याची किंमत कॅश लिहिण्याची किंमत
2026-08-14 12:51 $1.250 / 1M $2.500 / 1M लागू नाही लागू नाही
2026-10-01 18:33 $1.250 / 1M $2.500 / 1M $0.200 / 1M लागू नाही

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 4.20mediumvsDeepSeek V4 Flash 0423noneGrok 4.20mediumvsSpace Bunny AlphaxhighGrok 4.20mediumvsTrinity Large ThinkinglowGrok 4.20mediumvsKAT-Coder-Pro V2.5mediumGrok 4.20mediumvsDeepSeek V3.2mediumGrok 4.20mediumvsDeepSeek V4 Flash 0731noneGrok 4.20mediumvsSpace Bunny AlphamediumGrok 4.20mediumvsGemini 3.1 Flash Lite PreviewnoneGrok 4.20mediumvsQwen3.5 Plus 2026-02-15noneGrok 4.20mediumvsClaude Fable 5.1low

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
स्वायत्त एजंट कार्ये 3.0 10.0
अँटी-एआय युक्त्या 8.2 7.9
कोडिंग 6.3 6.6
संयुक्त 8.7 6.9
डेटा पार्सिंग आणि निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 2.9 7.2
Samanya Buddhimatta 3.9 2.6
सूचनांचे पालन 9.8 10.0
कोडी सोडवणे 7.7 10.0
टूल कॉलिंग 3.0 10.0
सामान्य ज्ञान 3.0 10.0

तुलना केलेली मॉडेल्स