#80 Grok 4.20 Multi Agent Beta
medium- खर्च
- $0.261
- वेळ
- 123.4s
- टोकन्स
- 199,344 tok
X AI
प्रकाशन: 2026-03-12
चाचणी तारीख: 2026-05-06 14:16
x-ai/grok-4.20-multi-agent-beta::medium
~1T एकूण (~100B सक्रिय)MoEबंद स्रोतअंदाजित सारांश
Grok 4.20 Multi Agent Beta AI BENCHY वर 6.6 स्कोर करते आणि #80 वर आहे. याची reliability लागू नाही, pass rate 63.0%, एकूण खर्च $5.074, आणि सरासरी response time 9.80s आहे.
Grok 4.20 Multi Agent Beta खास का आहे: हे कोडिंग मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर संयुक्त हा सर्वात कमकुवत भाग आहे, rank #18. 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.
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.
6.6
सुसंगतता
7.4
लागू नाही
$5.074
एकूण आउटपुट टोकन्स
608,704
एकूण इनपुट टोकन्स
0
इनपुट किंमत
$0.000 / 1M
आउटपुट किंमत
$0.000 / 1M
अस्थिर चाचण्या
6
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 14:16 पुन्हा चाचणी | 4.8 | लागू नाही | $5.599 ↑ | तुलना करा | |
| 2026-05-06 14:16 पुन्हा चाचणी | 4.8 | लागू नाही | $5.599 ↑ | तुलना करा | |
| 2026-05-06 14:16 पुन्हा चाचणी | 6.6 | लागू नाही | $5.599 ↑ | तुलना करा | |
| 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 | सध्याची रन | |
| 2026-04-11 01:19 पहिली नोंदलेली रन | 6.4 | लागू नाही | $5.074 | 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 14:16 · सूट बदलला | 52/54 प्रयत्न | 6.6 | 7.4 | लागू नाही | 8/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| 2026-05-06 14:16 · पुन्हा चाचणी | 52/54 प्रयत्न | 4.8 | 6.4 | लागू नाही | 8/18 | 5 | 600,042 | 721,952 | $5.599 | 9.69s |
| फरक | — | +1.9 | +1.0 | 0 | +1 | +8662 | -721952 | -$0.526 | +105ms |
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 | 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 | 7.2 | 5.1 | |
| टूल कॉलिंग | 3.0 | 10.0 |