AI BENCHY
Advertise here
#85

Grok 4.20 Multi Agent Beta

X AI प्रकाशन: 2026-03-12 चाचणी तारीख: 2026-05-06 14:16 x-ai/grok-4.20-multi-agent-beta::medium

सारांश

Grok 4.20 Multi Agent Beta AI BENCHY वर 6.6 स्कोर करते आणि #85 वर आहे. याची reliability लागू नाही, pass rate 59.3%, एकूण खर्च $5.599, आणि सरासरी response time 9.69s आहे.

Grok 4.20 Multi Agent Beta खास का आहे: हे कोडिंग मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर टूल कॉलिंग हा सर्वात कमकुवत भाग आहे, rank #9. हे असामान्यपणे जास्त reasoning tokens वापरते, ज्यामुळे runs हळू किंवा महाग होऊ शकतात.

संग्रहित मॉडेल: हे मॉडेल आता अपडेट केले जाणार नाही आणि नवीन चाचण्यांवर तपासले जाणार नाही.

स्कोअर

6.6

सुसंगतता

7.9

विश्वसनीयता

लागू नाही

एकूण खर्च (सध्याची किंमत)

$5.599 ↑ +11.2%

या किमतीवर चाचणी केली: $5.034

एकूण आउटपुट टोकन्स

600,042

एकूण इनपुट टोकन्स

721,952

इनपुट किंमत

$4.235 / 1M

आउटपुट किंमत

$4.235 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 10

प्रति प्रयत्न पास दर: 59.3%

अस्थिर चाचण्या

5

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

प्रतिसाद वेळ (सरासरी)

9.69s

प्रतिसाद वेळ (कमाल): 35.28s

प्रतिसाद वेळ (एकूण): 155.07s

चुकीचे उत्तर: 4 API त्रुटी: 2 अतिरिक्त फॉरमॅटिंग: 2 सूचनांचे पालन केले नाही: 2

Generation showcase

Hamster playing table tennis

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

#85 Grok 4.20 Multi Agent Beta

medium
Cost
$0.261
Time
123.4s
Tokens
199,344 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-05-06 14:16 पुन्हा चाचणी 6.6 लागू नाही $5.599 ↑ सध्याची रन
2026-05-06 14:16 पुन्हा चाचणी 6.6 लागू नाही $5.074 तुलना करा
2026-05-06 14:16 सूट बदलला 6.6 लागू नाही $5.074 तुलना करा
2026-04-11 01:19 पहिली नोंदलेली रन 6.4 लागू नाही $5.074 तुलना करा

किंमत इतिहास

OpenRouter मधील या मॉडेलचा ऐतिहासिक किंमत डेटा.

तारीख इनपुट किंमत आउटपुट किंमत
2026-06-04 15:40 $4.235 / 1M $4.235 / 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 Multi Agent BetamediumvsGemini 3 Flash PreviewmediumGrok 4.20 Multi Agent BetamediumvsGemini 3.5 FlashhighGrok 4.20 Multi Agent BetamediumvsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धGrok 4.20 Multi Agent BetamediumvsGemini 3.5 Flashlow

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
अँटी-एआय युक्त्या 6.9 5.8
कोडिंग 10.0 10.0
संयुक्त 3.0 10.0
डेटा पार्सिंग आणि निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 2.9 7.2
Samanya Buddhimatta 5.8 2.8
सूचनांचे पालन 9.8 10.0
कोडी सोडवणे 6.7 7.9
टूल कॉलिंग 3.0 10.0

तुलना केलेली मॉडेल्स