AI BENCHY
Advertise here
#46

Grok Build 0.1

X AI प्रकाशन: 2026-05-21 चाचणी तारीख: 2026-05-22 00:36 x-ai/grok-build-0.1::medium
(medium) (none)

सारांश

Grok Build 0.1 AI BENCHY वर 7.6 स्कोर करते आणि #46 वर आहे. याची reliability 10.0, pass rate 70.0%, एकूण खर्च $0.633, आणि सरासरी response time 26.36s आहे.

Grok Build 0.1 खास का आहे: हे डोमेन-विशिष्ट मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #3 आहे; तर कोडिंग हा सर्वात कमकुवत भाग आहे, rank #16. हे असामान्यपणे जास्त reasoning tokens वापरते, ज्यामुळे runs हळू किंवा महाग होऊ शकतात.

स्कोअर

7.6

सुसंगतता

8.5

विश्वसनीयता

10.0

एकूण खर्च (सध्याची किंमत)

$0.633

एकूण आउटपुट टोकन्स

295,603

एकूण इनपुट टोकन्स

0

इनपुट किंमत

$1.000 / 1M

आउटपुट किंमत

$2.000 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 8

प्रति प्रयत्न पास दर: 70.0%

अस्थिर चाचण्या

4

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

प्रतिसाद वेळ (सरासरी)

26.36s

प्रतिसाद वेळ (कमाल): 103.89s

प्रतिसाद वेळ (एकूण): 527.19s

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

जनरेशन शोकेस

Hamster playing table tennis

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

#46 xAI: Grok Build 0.1

medium
खर्च
$0.028
वेळ
81.3s
टोकन्स
14,009 tok

रन इतिहास

चाचणी तारीख स्कोअर विश्वसनीयता बरोबर चाचण्या एकूण खर्च तुलना करा
2026-06-04 14:22 नवीन चाचणी जोडली 7.4 10.0 $0.927 तुलना करा
2026-05-26 13:30 पुन्हा चाचणी 7.7 10.0 $0.729 तुलना करा
2026-05-22 00:36 सूट बदलला 7.6 10.0 $0.633 सध्याची रन

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)
2026-05-22 00:36 · सूट बदलला7.68.510.012/204295,6030$0.63326.36s
2026-06-04 14:22 · नवीन चाचणी जोडली7.49.910.013/210440,80044,418$0.92749.90s
फरक+0.2-1.40.0-1+4-145197-44418-$0.294-23542ms

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 Build 0.1mediumvsMiniMax M3mediumGrok Build 0.1mediumvsStep 3.7 FlashlowGrok Build 0.1mediumvsKimi K2.5mediumGrok Build 0.1mediumvsClaude Opus 4.6mediumGrok Build 0.1mediumvsMercury 2mediumGrok Build 0.1mediumvsGemini 3.5 FlashhighGrok Build 0.1mediumvsGemini 3 Flash PreviewmediumGrok Build 0.1mediumvsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धGrok Build 0.1mediumvsGPT-5.5low

श्रेणीवार तपशील

श्रेणी स्कोअर सुसंगतता बरोबर चाचण्या
अँटी-एआय युक्त्या 10.0 10.0
कोडिंग 5.3 2.9
संयुक्त 10.0 10.0
डेटा पार्सिंग आणि निष्कर्षण 10.0 10.0
डोमेन-विशिष्ट 5.3 10.0
Samanya Buddhimatta 3.8 2.5
सूचनांचे पालन 9.8 10.0
कोडी सोडवणे 6.2 7.5
टूल कॉलिंग 10.0 10.0
सामान्य ज्ञान 3.0 10.0

तुलना केलेली मॉडेल्स