Advertise here
#20

Grok 4.3

X AI प्रकाशन: 2026-05-01 चाचणी तारीख: 2026-05-01 00:40 x-ai/grok-4.3::medium
~1.5T एकूण (~150B सक्रिय)MoEबंद स्रोतअंदाजित

सारांश

Grok 4.3 AI BENCHY वर 8.2 स्कोर करते आणि #20 वर आहे. याची reliability 10.0, pass rate 81.5%, एकूण खर्च $0.517, आणि सरासरी response time 48.63s आहे.

मॉडेलची माहिती

संशोधन दिनांक: 2026-08-12

अंदाजित
पॅरामीटर्स
~1.5T एकूण (~150B सक्रिय)
आर्किटेक्चर
MoE
उपलब्धता
बंद स्रोत
परवाना
-

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

पॅरामीटर स्रोत उपलब्धता स्रोत

स्कोअर

8.2

सुसंगतता

8.6

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$0.517

एकूण आउटपुट टोकन्स

188,270

एकूण इनपुट टोकन्स

0

इनपुट किंमत

$1.250 / 1M

आउटपुट किंमत

$2.500 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 5

प्रति प्रयत्न पास दर: 81.5%

अस्थिर चाचण्या

3

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

प्रतिसाद वेळ (सरासरी)

48.63s

प्रतिसाद वेळ (कमाल): 216.69s

प्रतिसाद वेळ (एकूण): 875.27s

सूचनांचे पालन केले नाही: 3 चुकीचे उत्तर: 2

Hamster playing table tennis

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

#20 xAI: Grok 4.3

medium
खर्च
$0.009
वेळ
19.0s
टोकन्स
3,661 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-08-14 02:54 पुन्हा चाचणी 7.0 10.0 $0.741 तुलना करा
2026-07-16 23:07 नवीन चाचणी जोडली 7.1 10.0 $0.779 तुलना करा
2026-06-04 14:11 नवीन चाचणी जोडली 7.6 10.0 $0.614 तुलना करा
2026-05-22 00:32 पुन्हा चाचणी 7.8 10.0 $0.593 तुलना करा
2026-05-01 00:40 पहिला रन 8.2 10.0 $0.517 सध्याची रन

रन तुलना

रनबेंचमार्क कव्हरेजस्कोअरसुसंगतताविश्वसनीयताबरोबर चाचण्याअस्थिर चाचण्याएकूण आउटपुट टोकन्सएकूण इनपुट टोकन्सएकूण खर्चप्रतिसाद वेळ (सरासरी)
2026-05-01 00:40 · पहिला रन54/54 प्रयत्न8.28.610.013/183188,2700$0.51748.63s
2026-08-14 02:54 · पुन्हा चाचणी66/66 प्रयत्न7.08.210.012/225225,904140,244$0.74144.21s
फरक—+1.2+0.40.0+1-2-37634-140244-$0.224+4415ms

बेंचमार्क कव्हरेज वेगळे आहे: 54/54 प्रयत्न (लक्ष्य: प्रत्येक चाचणीसाठी 3 पुनरावृत्ती) विरुद्ध 66/66 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.

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 4.3mediumvsMercury 2.5highGrok 4.3mediumvsGPT-5.6 SolnoneGrok 4.3mediumvsSolar Pro 4highGrok 4.3mediumvsDeepSeek V3.2mediumGrok 4.3mediumvsStep 3.7 FlashlowGrok 4.3mediumvsGLM 5.1mediumGrok 4.3mediumvsMuse Glimmer 30BlowGrok 4.3mediumvsGPT-5.5noneGrok 4.3mediumvsQwen3.5-122B-A10BmediumGrok 4.3mediumvsMercury 2medium

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
अँटी-एआय युक्त्या 10.0 10.0
कोडिंग 10.0 10.0
संयुक्त 10.0 10.0
डेटा पार्सिंग आणि निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 5.3 7.2
Samanya Buddhimatta 5.4 2.5
सूचनांचे पालन 9.8 10.0
कोडी सोडवणे 5.9 7.2
टूल कॉलिंग 10.0 10.0

तुलना केलेली मॉडेल्स