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

OpenAI: GPT-5.5 vs Grok 4.20 Multi Agent Beta

Rezumat

Comparație benchmark GPT-5.5 vs Grok 4.20 Multi Agent Beta: GPT-5.5 conduce la scorul mediu cu 9.3 vs 5.0. GPT-5.5 are costul de benchmark mai mic, $0.907 vs $5.599. Grok 4.20 Multi Agent Beta este mai rapid cu 9.69s vs 9.76s, cu rate de reușită de 85.7% vs 50.8%.

Model recomandat: GPT-5.5 - Are cel mai bun scor aici (9.3) și costă de aproximativ 6.2x mai puțin decât Grok 4.20 Multi Agent Beta.

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

Metrică GPT-5.5 GPT-5.5 low Lansare: 2026-04-24 Grok 4.20 Multi Agent Beta Grok 4.20 Multi Agent Beta medium Lansare: 2026-03-12
Scor 9.3 5.0
Rang #4 #136
Fiabilitate 10.0 N/D
Consistență 10.0 6.7
Teste corecte
Rată de trecere pe încercare 85.7% 50.8%
Teste instabile 0 5
Rulări totale 63 52
Cost per rezultat 5.035 62.923
Cost total $0.907 $5.599
Preț de intrare $5.000 / 1M $4.235 / 1M
Preț de ieșire $30.000 / 1M $4.235 / 1M
Total tokenuri de intrare 34,209 721,952
Tokenuri de ieșire 2,046 294,668
Tokenuri de raționament 22,460 305,374
Timp de răspuns (mediu) 9.76s 9.69s
Timp de răspuns (maxim) 56.19s 35.28s
Timp de răspuns (total) 204.92s 155.07s

Prezentare generare

Hamster playing table tennis

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

#4 GPT-5.5

low
Cost
$0.068
Timp
37.0s
Tokenuri
2,339 tok

#136 Grok 4.20 Multi Agent Beta

medium
Cost
$0.261
Timp
123.4s
Tokenuri
199,344 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
GPT-5.5 10.0 10.0 100.0% 0 4.41s 606 238 1,020
Grok 4.20 Multi Agent Beta 6.9 5.8 75.0% 2 3.46s 90,925 33,706 33,077
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
GPT-5.5 10.0 10.0 100.0% 0 15.04s 7,302 423 6,402
Grok 4.20 Multi Agent Beta 3.3 3.3 33.3% 0 27.11s 13,212 86 13,141
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
GPT-5.5 10.0 10.0 100.0% 0 9.56s 11,019 303 717
Grok 4.20 Multi Agent Beta 3.0 10.0 0.0% 0 0ms 0 0 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
GPT-5.5 10.0 10.0 100.0% 0 3.28s 7,140 228 157
Grok 4.20 Multi Agent Beta 10.0 10.0 100.0% 0 5.54s 97,232 25,306 25,051
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
GPT-5.5 5.3 10.0 33.3% 0 28.05s 723 69 11,609
Grok 4.20 Multi Agent Beta 2.9 7.2 11.1% 1 24.67s 328,253 164,609 163,647
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
GPT-5.5 10.0 10.0 100.0% 0 5.17s 477 133 245
Grok 4.20 Multi Agent Beta 5.8 2.8 66.7% 1 6.40s 41,387 15,848 15,746
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
GPT-5.5 9.9 10.0 100.0% 0 3.74s 660 93 415
Grok 4.20 Multi Agent Beta 9.8 10.0 100.0% 0 3.52s 43,923 19,752 19,617
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
GPT-5.5 10.0 10.0 100.0% 0 4.74s 642 279 954
Grok 4.20 Multi Agent Beta 6.7 7.9 55.6% 1 5.19s 107,020 35,361 35,095
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
GPT-5.5 10.0 10.0 100.0% 0 4.96s 5,445 250 101
Grok 4.20 Multi Agent Beta 3.0 10.0 0.0% 0 0ms 0 0 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
GPT-5.5 3.0 10.0 0.0% 0 10.06s 195 30 840
Grok 4.20 Multi Agent Beta 0.0 0.0 0.0% 0 0ms 0 0 0

Comparație rapidă

Schimbă perechea de comparație

GPT-5.5lowvsQwen3.7 MaxmediumClaude Fable 5mediumvsGPT-5.5lowGemini 3.1 Pro PreviewmediumvsGPT-5.5lowGemini 3.5 FlashmediumvsGPT-5.5lowGemini 3 Flash PreviewmediumvsGPT-5.5lowGPT-5.5lowvsQwen3.6 Max PreviewmediumClaude Opus 4.8mediumvsGPT-5.5lowGemini 3.5 FlashhighvsGPT-5.5lowClaude Opus 4.7mediumvsGPT-5.5lowGPT-5.5lowvsGLM 5.2mediumGPT-5.5lowvsGLM 5mediumSeed-2.0-LitemediumvsGPT-5.5low