AI BENCHY
Advertise here
#119

Grok 4.20

X AI प्रकाशन: 2026-03-31 चाचणी तारीख: 2026-05-06 14:16 x-ai/grok-4.20::none
(medium) (none)

सारांश

Grok 4.20 AI BENCHY वर 5.4 स्कोर करते आणि #119 वर आहे. याची reliability लागू नाही, pass rate 35.2%, एकूण खर्च $0.095, आणि सरासरी response time 1.11s आहे.

Grok 4.20 खास का आहे: हे अँटी-एआय युक्त्या मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #3 आहे; तर कोडिंग हा सर्वात कमकुवत भाग आहे, rank #11. समान मॉडेल्सच्या तुलनेत हे लक्षणीय वेगवान आहे.

ओळख नोंद

Grok 4.20 Beta हे Grok 4.20 ची प्रीव्ह्यू आवृत्ती होती.

स्कोअर

5.4

सुसंगतता

9.5

विश्वसनीयता

लागू नाही

एकूण खर्च (सध्याची किंमत)

$0.095

एकूण आउटपुट टोकन्स

1,967

एकूण इनपुट टोकन्स

0

इनपुट किंमत

$1.250 / 1M

आउटपुट किंमत

$2.500 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 12

प्रति प्रयत्न पास दर: 35.2%

अस्थिर चाचण्या

1

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

प्रतिसाद वेळ (सरासरी)

1.11s

प्रतिसाद वेळ (कमाल): 6.04s

प्रतिसाद वेळ (एकूण): 20.02s

चुकीचे उत्तर: 10 अतिरिक्त फॉरमॅटिंग: 1 अवैध टूल कॉल: 1

जनरेशन शोकेस

Hamster playing table tennis

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

#119 xAI: Grok 4.20

none
खर्च
$0.004
वेळ
6.5s
टोकन्स
1,367 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-05-06 14:16 पुन्हा चाचणी 5.4 लागू नाही $0.057 ↓ तुलना करा
2026-05-06 14:16 पुन्हा चाचणी 5.4 लागू नाही $0.095 तुलना करा
2026-05-06 14:16 पुन्हा चाचणी 5.4 लागू नाही $0.095 तुलना करा
2026-05-06 14:16 सूट बदलला 5.4 लागू नाही $0.095 सध्याची रन
2026-04-11 01:44 पहिली नोंदलेली रन 5.2 लागू नाही $0.095 तुलना करा

या रनमध्ये वेगळा बेंचमार्क सूट वापरला गेला. ऐतिहासिक बदल वाचताना सूटमधील बदल लक्षात घ्या.

रन तुलना

रनस्कोअरसुसंगतताविश्वसनीयताबरोबर चाचण्याअस्थिर चाचण्याएकूण आउटपुट टोकन्सएकूण इनपुट टोकन्सएकूण खर्चप्रतिसाद वेळ (सरासरी)
2026-05-06 14:16 · सूट बदलला5.49.5लागू नाही6/1811,9670$0.0951.11s
2026-05-06 14:16 · पुन्हा चाचणी5.410.0लागू नाही6/1801,92341,313$0.0571.11s
फरक0.0-0.50+1+44-41313+$0.038+4ms

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 4.20nonevsQwen3.5-122B-A10BnoneGrok 4.20nonevsMiniMax M2.7mediumGrok 4.20nonevsGPT-5.4 MininoneGrok 4.20nonevsQwen3.6 35B A3BnoneGrok 4.20nonevsLaguna XS 2.1noneमोफत उपलब्धGrok 4.20nonevsMistral Small 4noneGrok 4.20nonevsGemini 3.5 FlashhighGrok 4.20nonevsGemini 3 Flash PreviewmediumGrok 4.20nonevsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धGrok 4.20nonevsGPT-5.5low

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
अँटी-एआय युक्त्या 4.8 10.0
कोडिंग 3.4 9.3
संयुक्त 3.0 10.0
डेटा पार्सिंग आणि निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 3.0 10.0
Samanya Buddhimatta 4.8 10.0
सूचनांचे पालन 6.3 10.0
कोडी सोडवणे 5.3 7.2
टूल कॉलिंग 10.0 10.0

तुलना केलेली मॉडेल्स