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 4.20

Rezumat

Comparație benchmark Mercury 2 vs Grok 4.20: Mercury 2 conduce la scorul mediu cu 4.6 vs 4.4. Mercury 2 are costul de benchmark mai mic, $0.011 vs $0.057. Mercury 2 este mai rapid cu 653ms vs 1.11s, cu rate de reușită de 23.8% vs 28.6%.

Model recomandat: Mercury 2 - Are cel mai bun scor aici (4.6) și costă de aproximativ 5.5x mai puțin decât Grok 4.20.

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-06-18

Metrică Mercury 2 Mercury 2 none Lansare: 2026-02-24 Grok 4.20 Grok 4.20 none Lansare: 2026-03-31
Scor 4.6 4.4
Rang #151 #155
Fiabilitate 10.0 N/D
Consistență 9.2 8.5
Teste corecte
Rată de trecere pe încercare 23.8% 28.6%
Teste instabile 2 0
Rulări totale 63 54
Cost per rezultat 0.259 1.570
Cost total $0.011 $0.057
Preț de intrare $0.250 / 1M $1.250 / 1M
Preț de ieșire $0.750 / 1M $2.500 / 1M
Total tokenuri de intrare 28,113 41,313
Tokenuri de ieșire 4,439 1,923
Tokenuri de raționament 0 0
Timp de răspuns (mediu) 653ms 1.11s
Timp de răspuns (maxim) 1.43s 6.04s
Timp de răspuns (total) 13.72s 19.96s

Prezentare generare

Hamster playing table tennis

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

#151 Mercury 2

none
Cost
$0.002
Timp
1.8s
Tokenuri
1,514 tok

#155 xAI: Grok 4.20

none
Cost
$0.004
Timp
6.5s
Tokenuri
1,367 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
Mercury 2 3.0 10.0 0.0% 0 483ms 631 286 0
Grok 4.20 4.8 10.0 25.0% 0 501ms 1,986 267 0
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
Mercury 2 3.4 9.6 0.0% 0 1.03s 7,229 3,088 0
Grok 4.20 1.1 3.1 0.0% 0 1.22s 1,074 312 0
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
Mercury 2 3.0 10.0 0.0% 0 606ms 4,821 131 0
Grok 4.20 3.0 10.0 0.0% 0 6.04s 17,673 282 0
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
Mercury 2 7.3 5.9 83.3% 1 667ms 6,362 180 0
Grok 4.20 10.0 10.0 100.0% 0 522ms 7,749 207 0
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
Mercury 2 5.3 7.2 44.4% 1 534ms 784 46 0
Grok 4.20 3.0 10.0 0.0% 0 687ms 1,746 325 0
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
Mercury 2 4.8 10.0 0.0% 0 628ms 495 159 0
Grok 4.20 4.8 10.0 0.0% 0 659ms 819 83 0
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
Mercury 2 6.5 10.0 50.0% 0 551ms 691 82 0
Grok 4.20 6.3 10.0 50.0% 0 445ms 1,350 60 0
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
Mercury 2 3.1 10.0 0.0% 0 535ms 694 251 0
Grok 4.20 5.3 10.0 33.3% 0 473ms 1,671 198 0
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
Mercury 2 10.0 10.0 100.0% 0 1.27s 6,193 197 0
Grok 4.20 10.0 10.0 100.0% 0 4.63s 7,245 189 0
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
Mercury 2 3.0 10.0 0.0% 0 548ms 213 19 0
Grok 4.20 0.0 0.0 0.0% 0 0ms 0 0 0

Comparație rapidă

Schimbă perechea de comparație

Mercury 2nonevsQwen3 Coder NextmediumGrok 4.20nonevsGLM 4.7 FlashmediumMercury 2nonevsMiniMax M2.5mediumCobuddymediumvsMercury 2noneQwen3 Coder NextmediumvsGrok 4.20noneMercury 2nonevsGLM 4.7 FlashmediumMiniMax M2.5mediumvsGrok 4.20noneMercury 2nonevsMistral Small 4mediumMercury 2nonevsMiniMax M2.7mediumCobuddymediumvsGrok 4.20noneQwen3.5-9BmediumvsGrok 4.20noneMistral Small 4mediumvsGrok 4.20none