AI BENCHY Compare

Anthropic: Claude Opus 4.8 vs xAI: Grok Build 0.1

Rezumat

Comparație benchmark Claude Opus 4.8 vs Grok Build 0.1: Grok Build 0.1 conduce la scorul mediu cu 7.6 vs 7.2. Claude Opus 4.8 are costul de benchmark mai mic, $0.539 vs $0.927. Claude Opus 4.8 este mai rapid cu 3.47s vs 49.90s, cu rate de reușită de 61.9% vs 61.9%.

Model recomandat: Claude Opus 4.8 - Scorul rămâne aproape de cel mai bun scor de aici (7.2 vs 7.6) și costă de aproximativ 1.7x mai puțin decât Grok Build 0.1.

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-06-12

Metrică	Claude Opus 4.8 Claude Opus 4.8 none Lansare: 2026-05-28	Grok Build 0.1 Grok Build 0.1 medium Lansare: 2026-05-21

Metrică	Claude Opus 4.8 Claude Opus 4.8 none Lansare: 2026-05-28	Grok Build 0.1 Grok Build 0.1 medium Lansare: 2026-05-21
Scor	7.2	7.6
Rang	#59	#44
Fiabilitate	10.0	10.0
Consistență	9.2	9.9
Teste corecte
Rată de trecere pe încercare	61.9%	61.9%
Teste instabile	2	0
Rulări totale	63	63
Cost per rezultat	4.485	7.124
Cost total	$0.539	$0.927
Preț de intrare	$5.000 / 1M	$1.000 / 1M
Preț de ieșire	$25.000 / 1M	$2.000 / 1M
Total tokenuri de intrare	67,104	44,418
Tokenuri de ieșire	8,107	2,782
Tokenuri de raționament	0	438,018
Timp de răspuns (mediu)	3.47s	49.90s
Timp de răspuns (maxim)	17.73s	252.69s
Timp de răspuns (total)	72.90s	1047.92s

Generation showcase

Hamster playing table tennis

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

#59 Claude Opus 4.8

none

Cost: $0.053
Time: 22.0s
Tokens: 2,253 tok

#44 xAI: Grok Build 0.1

medium

Cost: $0.028
Time: 81.3s
Tokens: 14,009 tok

Top modele după scor

Scor vs cost total

Timp de răspuns (mediu)

Scor vs Timp de răspuns (mediu)

Total tokenuri de ieșire

Scor vs Total tokenuri de ieșire

Defalcare pe categorii

Trucuri anti-AI	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	6.5	10.0	50.0%	0		3.40s	834	1,472	0
Grok Build 0.1	8.3	10.0	75.0%	0		7.43s	2,010	220	12,162

Programare	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	5.5	10.0	33.3%	0		3.29s	10,590	1,332	0
Grok Build 0.1	5.7	9.7	33.3%	0		108.46s	8,304	1,138	161,452

Combinat	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	9.5	10.0	100.0%	0		17.73s	29,658	3,259	0
Grok Build 0.1	10.0	10.0	100.0%	0		32.81s	12,909	231	16,917

Parsare și extragere de date	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	7.3	5.8	83.3%	1		1.77s	10,503	308	0
Grok Build 0.1	10.0	10.0	100.0%	0		10.72s	7,761	180	8,876

Specific domeniului	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	5.3	7.2	44.4%	1		1.66s	975	61	0
Grok Build 0.1	5.3	10.0	33.3%	0		158.00s	1,764	492	175,294

Inteligență generală	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		3.48s	708	230	0
Grok Build 0.1	4.4	9.9	0.0%	0		18.41s	825	76	6,345

Respectarea instrucțiunilor	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	9.9	10.0	100.0%	0		1.37s	909	95	0
Grok Build 0.1	9.8	10.0	100.0%	0		12.36s	1,362	57	9,599

Rezolvare de puzzle-uri	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	7.7	10.0	66.7%	0		2.74s	894	783	0
Grok Build 0.1	7.7	10.0	66.7%	0		18.26s	1,689	195	20,841

Apelare instrumente	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		5.35s	11,775	355	0
Grok Build 0.1	10.0	10.0	100.0%	0		13.12s	7,263	180	4,969

Cultură generală	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	3.0	10.0	0.0%	0		3.41s	258	212	0
Grok Build 0.1	3.0	10.0	0.0%	0		53.51s	531	13	21,563

Comparație rapidă

Schimbă perechea de comparație