Google: Gemini 3 Flash Preview vs Grok 4.20 Multi Agent Beta
Rezumat
Comparație benchmark Gemini 3 Flash Preview vs Grok 4.20 Multi Agent Beta: Gemini 3 Flash Preview conduce la scorul mediu cu 9.8 vs 6.6. Gemini 3 Flash Preview are costul de benchmark mai mic, $0.667 vs $5.599. Grok 4.20 Multi Agent Beta este mai rapid cu 9.69s vs 18.64s, cu rate de reușită de 98.4% vs 59.3%.
Model recomandat: Gemini 3 Flash Preview - Are cel mai bun scor aici (9.8) și costă de aproximativ 8.4x mai puțin decât Grok 4.20 Multi Agent Beta.
Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-06-10
10.0Scorul de succes la prima încercare: 10.0 înseamnă fără erori reîncercabile ale API-ului țintă sau de limită de rată înainte de apeluri reușite; erorile urmărite reduc scorul.…
N/DScorul de succes la prima încercare: 10.0 înseamnă fără erori reîncercabile ale API-ului țintă sau de limită de rată înainte de apeluri reușite; erorile urmărite reduc scorul.…
Consistență
9.7Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
7.9Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
Teste corecte
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (mediu)18.64sTimp de răspuns (maxim)117.26sTimp de răspuns (total)391.35sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)3.88sTimp de răspuns (maxim)5.73sTimp de răspuns (total)15.53sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.88sTimp de răspuns (mediu)…
494Total tokenuri de intrare…
330Tokenuri de ieșire…
3,216Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
6.9Scor mediu pe toate testele de benchmark.…
5.8Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
75.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
2Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Formatare suplimentară: 1Răspuns greșit: 1Timp de răspuns (mediu)3.46sTimp de răspuns (maxim)4.38sTimp de răspuns (total)13.86sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
7.6Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
88.9%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (mediu)84.40sTimp de răspuns (maxim)117.26sTimp de răspuns (total)253.21sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
84.40sTimp de răspuns (mediu)…
8,122Total tokenuri de intrare…
462Tokenuri de ieșire…
161,084Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)27.11sTimp de răspuns (maxim)27.11sTimp de răspuns (total)27.11sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)22.42sTimp de răspuns (maxim)22.42sTimp de răspuns (total)22.42sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
22.42sTimp de răspuns (mediu)…
12,873Total tokenuri de intrare…
351Tokenuri de ieșire…
10,485Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
3.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Eroare API: 1Timp de răspuns (mediu)0msTimp de răspuns (maxim)0msTimp de răspuns (total)0msUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)5.43sTimp de răspuns (maxim)6.18sTimp de răspuns (total)10.86sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
5.43sTimp de răspuns (mediu)…
7,548Total tokenuri de intrare…
279Tokenuri de ieșire…
4,893Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)5.54sTimp de răspuns (maxim)7.51sTimp de răspuns (total)11.08sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)15.27sTimp de răspuns (maxim)34.09sTimp de răspuns (total)45.80sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
15.27sTimp de răspuns (mediu)…
633Total tokenuri de intrare…
12Tokenuri de ieșire…
21,684Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
2.9Scor mediu pe toate testele de benchmark.…
7.2Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
11.1%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 2Formatare suplimentară: 1Timp de răspuns (mediu)24.67sTimp de răspuns (maxim)35.28sTimp de răspuns (total)74.02sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)5.19sTimp de răspuns (maxim)5.19sTimp de răspuns (total)5.19sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
5.19sTimp de răspuns (mediu)…
486Total tokenuri de intrare…
72Tokenuri de ieșire…
1,905Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
5.8Scor mediu pe toate testele de benchmark.…
2.8Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
66.7%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Nu a urmat instrucțiunile: 1Timp de răspuns (mediu)6.40sTimp de răspuns (maxim)6.40sTimp de răspuns (total)6.40sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)4.04sTimp de răspuns (maxim)4.70sTimp de răspuns (total)8.08sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.04sTimp de răspuns (mediu)…
615Total tokenuri de intrare…
72Tokenuri de ieșire…
2,709Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
9.8Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)3.52sTimp de răspuns (maxim)3.80sTimp de răspuns (total)7.04sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)4.05sTimp de răspuns (maxim)5.64sTimp de răspuns (total)12.15sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.05sTimp de răspuns (mediu)…
558Total tokenuri de intrare…
183Tokenuri de ieșire…
4,365Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
6.7Scor mediu pe toate testele de benchmark.…
7.9Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
55.6%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Nu a urmat instrucțiunile: 1Răspuns greșit: 1Timp de răspuns (mediu)5.19sTimp de răspuns (maxim)5.49sTimp de răspuns (total)15.57sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)12.60sTimp de răspuns (maxim)12.60sTimp de răspuns (total)12.60sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
12.60sTimp de răspuns (mediu)…
5,532Total tokenuri de intrare…
234Tokenuri de ieșire…
1,487Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
3.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
0.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Eroare API: 1Timp de răspuns (mediu)0msTimp de răspuns (maxim)0msTimp de răspuns (total)0msUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (mediu)5.50sTimp de răspuns (maxim)5.50sTimp de răspuns (total)5.50sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
5.50sTimp de răspuns (mediu)…
156Total tokenuri de intrare…
11Tokenuri de ieșire…
2,325Tokenuri de raționament…
Grok 4.20 Multi Agent BetaModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.