Navigare
AI BENCHY
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY Compare

Inception: Mercury 2 vs xAI: Grok Build 0.1

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-05-22

Metrică Mercury 2 Mercury 2 medium Lansare: 2026-02-24 Grok Build 0.1 Grok Build 0.1 none Lansare: 2026-05-21
Scor 6.3 6.6
Rang #90 #82
Fiabilitate 10.0 10.0
Consistență 8.4 8.0
Teste corecte
Rată de trecere pe încercare 50.0% 60.4%
Teste instabile 4 4
Rulări totale 60 57
Cost per rezultat 0.687 7.805
Cost total $0.055 $0.547
Preț de intrare $0.250 / 1M $1.000 / 1M
Preț de ieșire $0.750 / 1M $2.000 / 1M
Tokenuri de ieșire 4,015 267,275
Tokenuri de raționament 58,382 0
Timp de răspuns (mediu) 2.27s 28.69s
Timp de răspuns (maxim) 14.63s 138.35s
Timp de răspuns (total) 43.15s 459.00s

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 ieșire Tokenuri de raționament
Mercury 2 6.9 9.9 50.0% 0 1.12s 2,546 2,609
Grok Build 0.1 8.7 7.9 91.7% 1 6.30s 11,162 0
Programare Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 7.2 6.5 66.7% 1 2.29s 270 8,514
Grok Build 0.1 10.0 10.0 100.0% 0 21.41s 16,568 0
Combinat Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 10.0 10.0 100.0% 0 3.28s 268 4,887
Grok Build 0.1 0.0 0.0 0.0% 0 0ms 0 0
Parsare și extragere de date Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 7.3 5.9 83.3% 1 1.11s 183 1,656
Grok Build 0.1 4.7 1.6 66.7% 1 9.33s 6,359 0
Specific domeniului Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 2.9 7.2 11.1% 1 6.48s 41 30,754
Grok Build 0.1 3.6 7.2 22.2% 1 103.71s 179,469 0
Inteligență generală Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 4.8 10.0 0.0% 0 821ms 137 542
Grok Build 0.1 4.3 10.0 0.0% 0 12.47s 6,647 0
Respectarea instrucțiunilor Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 10.0 10.0 100.0% 0 1.07s 14 958
Grok Build 0.1 9.8 10.0 100.0% 0 7.36s 8,970 0
Rezolvare de puzzle-uri Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 3.8 7.3 22.2% 1 934ms 354 2,758
Grok Build 0.1 6.4 7.7 55.6% 1 9.55s 14,982 0
Apelare instrumente Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 10.0 10.0 100.0% 0 1.89s 180 1,956
Grok Build 0.1 0.0 0.0 0.0% 0 0ms 0 0
Cultură generală Scor Consistență Rată de trecere pe încercare Teste instabile Teste corecte Timp de răspuns (mediu) Tokenuri de ieșire Tokenuri de raționament
Mercury 2 3.0 10.0 0.0% 0 2.58s 22 3,748
Grok Build 0.1 3.0 10.0 0.0% 0 36.09s 23,118 0

Comparație rapidă

Schimbă perechea de comparație

Qwen3.6 27BmediumvsGrok Build 0.1noneDeepSeek V4 ProhighvsGrok Build 0.1noneMercury 2mediumvsGLM 5noneKimi K2.5mediumvsGrok Build 0.1noneGemini 3.1 Flash LiteminimalvsGrok Build 0.1noneGemma 4 26B A4BnoneDisponibil gratuitvsMercury 2mediumGemini 2.5 FlashnonevsMercury 2mediumMercury 2mediumvsMiMo-V2-OmninoneMercury 2mediumvsQwen3.5 Plus 2026-02-15noneDeepSeek V4 PrononevsMercury 2mediumMercury 2mediumvsGPT-5.5noneGemini 3.1 Flash LitenonevsMercury 2medium