Comparație benchmark GPT-6.1 Sol (xhigh) vs GPT-6 Astra (xhigh) vs Claude Sonnet 5.5 (xhigh):GPT-6.1 Sol (xhigh) conduce la Scor cu 9.9. GPT-6.1 Sol (xhigh) conduce la Fiabilitate cu 10.0. GPT-6.1 Sol (xhigh) are cel mai mic Cost total, $1.377. Claude Sonnet 5.5 (xhigh) are cel mai rapid timp de răspuns, 14.98s.
Benchmark-urile au fost generate din suitele de teste AI BENCHY la:
2026-11-18
Modele comparate
Rang
#16
Total tokenuri de ieșire
102,482
Timp de răspuns (mediu)
33.11s
Cost total
$1.377
Rang
#18
Total tokenuri de ieșire
90,095
Timp de răspuns (mediu)
29.67s
Cost total
$6.213
Rang
#115
Total tokenuri de ieșire
83,041
Timp de răspuns (mediu)
14.98s
Cost total
$1.516
Model recomandatGPT-6.1 Sol (xhigh)
Are cel mai bun scor aici (9.9) și costă de aproximativ 2.8x mai puțin decât celelalte modele din această comparație.
GPT-6 AstraGPT-6 AstraxhighModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.Lansare: 2026-09-04
Claude Sonnet 5.5Claude Sonnet 5.5xhighModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.Lansare: 2026-09-29
Scor
9.9Scor mediu pe toate testele de benchmark.…
9.9Scor mediu pe toate testele de benchmark.…
8.6Scor mediu pe toate testele de benchmark.…
Rang
#16
#18
#115
Fiabilitate
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.…
9.9Scorul 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.…
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.…
Consistență
9.6Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
9.6Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
8.7Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
Încercări
69/69
69/69
69/69
Teste corecte
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (mediu)33.11sTimp de răspuns (maxim)491.85sTimp de răspuns (total)761.52sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (mediu)29.67sTimp de răspuns (maxim)381.11sTimp de răspuns (total)682.42sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
97.1%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
97.1%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
79.7%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
Teste instabile
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
4Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Rulări totale
69Rulări totale…
69Rulări totale…
69Rulări totale…
Cost per rezultat
6.256
28.237
9.473
Cost total
$1.377
$6.213
$1.516
Preț de intrare
$2.000 / 1MPreț de intrare…
$10.000 / 1MPreț de intrare…
$2.000 / 1MPreț de intrare…
Preț de ieșire
$10.000 / 1MPreț de ieșire…
$50.000 / 1MPreț de ieșire…
$10.000 / 1MPreț de ieșire…
Preț citire cache
$0.100 / 1MPreț citire cache…
$1.000 / 1MPreț citire cache…
$0.200 / 1MPreț citire cache…
Preț scriere cache
$2.500 / 1MPreț scriere cache…
$12.500 / 1MPreț scriere cache…
$2.500 / 1MPreț scriere cache…
Total tokenuri de intrare
175,712Total tokenuri de intrare…
170,731Total tokenuri de intrare…
342,579Total tokenuri de intrare…
Tokenuri de ieșire
5,640Tokenuri de ieșire…
5,865Tokenuri de ieșire…
12,848Tokenuri de ieșire…
Tokenuri de raționament
96,842Tokenuri de raționament…
84,230Tokenuri de raționament…
70,193Tokenuri de raționament…
Timp de răspuns (mediu)
33.11sTimp de răspuns (mediu)…
29.67sTimp de răspuns (mediu)…
14.98sTimp de răspuns (mediu)…
Timp de răspuns (maxim)
491.85sTimp de răspuns (maxim)…
381.11sTimp de răspuns (maxim)…
54.92sTimp de răspuns (maxim)…
Timp de răspuns (total)
761.52sTimp de răspuns (total)…
682.42sTimp de răspuns (total)…
344.60sTimp de răspuns (total)…
Parametri
~2T în total (~150B activi)
~2T în total (~150B activi)
~1T în total (~100B activi)
Disponibilitate
Închis
Închis
Închis
Prețurile de cache se aplică tokenurilor de intrare. Citirea reutilizează prompturi salvate; scrierea le stochează și poate costa în plus. Tokenurile de ieșire folosesc prețul de ieșire.
Prezentare generare modele
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
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)58.86sTimp de răspuns (maxim)58.86sTimp de răspuns (total)58.86sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
58.86sTimp de răspuns (mediu)…
96,480Total tokenuri de intrare…
829Tokenuri de ieșire…
1,934Tokenuri de raționament…
GPT-6 AstraModel 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)56.73sTimp de răspuns (maxim)56.73sTimp de răspuns (total)56.73sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
56.73sTimp de răspuns (mediu)…
91,069Total tokenuri de intrare…
810Tokenuri de ieșire…
2,102Tokenuri de raționament…
Claude Sonnet 5.5Model 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)54.92sTimp de răspuns (maxim)54.92sTimp de răspuns (total)54.92sUn 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)3.86sTimp de răspuns (maxim)5.07sTimp de răspuns (total)15.45sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.86sTimp de răspuns (mediu)…
606Total tokenuri de intrare…
164Tokenuri de ieșire…
886Tokenuri de raționament…
GPT-6 AstraModel 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)3.71sTimp de răspuns (maxim)5.18sTimp de răspuns (total)14.85sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.71sTimp de răspuns (mediu)…
606Total tokenuri de intrare…
170Tokenuri de ieșire…
971Tokenuri de raționament…
Claude Sonnet 5.5Model 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)4.21sTimp de răspuns (maxim)5.12sTimp de răspuns (total)16.83sUn 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)10.65sTimp de răspuns (maxim)15.30sTimp de răspuns (total)31.95sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.65sTimp de răspuns (mediu)…
7,302Total tokenuri de intrare…
393Tokenuri de ieșire…
4,483Tokenuri de raționament…
GPT-6 AstraModel 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)8.27sTimp de răspuns (maxim)11.08sTimp de răspuns (total)24.81sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
8.27sTimp de răspuns (mediu)…
7,302Total tokenuri de intrare…
396Tokenuri de ieșire…
4,031Tokenuri de raționament…
Claude Sonnet 5.5Model arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
8.2Scor mediu pe toate testele de benchmark.…
7.2Scorul 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.Formatare suplimentară: 1Timp de răspuns (mediu)11.90sTimp de răspuns (maxim)15.48sTimp de răspuns (total)35.70sUn 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)34.38sTimp de răspuns (maxim)52.09sTimp de răspuns (total)68.76sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
34.38sTimp de răspuns (mediu)…
56,024Total tokenuri de intrare…
3,244Tokenuri de ieșire…
8,146Tokenuri de raționament…
GPT-6 AstraModel 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)41.20sTimp de răspuns (maxim)63.24sTimp de răspuns (total)82.41sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
41.20sTimp de răspuns (mediu)…
56,454Total tokenuri de intrare…
3,461Tokenuri de ieșire…
9,960Tokenuri de raționament…
Claude Sonnet 5.5Model arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
8.7Scor mediu pe toate testele de benchmark.…
6.9Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
83.3%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.Apel de instrument invalid: 1Timp de răspuns (mediu)30.37sTimp de răspuns (maxim)37.90sTimp de răspuns (total)60.75sUn 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)2.88sTimp de răspuns (maxim)3.21sTimp de răspuns (total)5.76sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
2.88sTimp de răspuns (mediu)…
7,140Total tokenuri de intrare…
234Tokenuri de ieșire…
343Tokenuri de raționament…
GPT-6 AstraModel 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)3.34sTimp de răspuns (maxim)3.64sTimp de răspuns (total)6.69sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.34sTimp de răspuns (mediu)…
7,140Total tokenuri de intrare…
234Tokenuri de ieșire…
365Tokenuri de raționament…
Claude Sonnet 5.5Model 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)4.96sTimp de răspuns (maxim)6.16sTimp de răspuns (total)9.92sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
7.2Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
77.8%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)177.33sTimp de răspuns (maxim)491.85sTimp de răspuns (total)532.00sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
177.33sTimp de răspuns (mediu)…
732Total tokenuri de intrare…
68Tokenuri de ieșire…
76,624Tokenuri de raționament…
GPT-6 AstraModel arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
7.6Scor mediu pe toate testele de benchmark.…
7.2Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
77.8%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)146.97sTimp de răspuns (maxim)381.11sTimp de răspuns (total)440.90sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
146.97sTimp de răspuns (mediu)…
732Total tokenuri de intrare…
68Tokenuri de ieșire…
61,252Tokenuri de raționament…
Claude Sonnet 5.5Model 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: 3Timp de răspuns (mediu)35.33sTimp de răspuns (maxim)54.91sTimp de răspuns (total)106.00sUn 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)8.78sTimp de răspuns (maxim)8.78sTimp de răspuns (total)8.78sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
8.78sTimp de răspuns (mediu)…
477Total tokenuri de intrare…
113Tokenuri de ieșire…
983Tokenuri de raționament…
GPT-6 AstraModel 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)7.68sTimp de răspuns (maxim)7.68sTimp de răspuns (total)7.68sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
7.68sTimp de răspuns (mediu)…
477Total tokenuri de intrare…
124Tokenuri de ieșire…
870Tokenuri de raționament…
Claude Sonnet 5.5Model arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
6.5Scor mediu pe toate testele de benchmark.…
3.4Scorul 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)9.10sTimp de răspuns (maxim)9.10sTimp de răspuns (total)9.10sUn 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)3.78sTimp de răspuns (maxim)4.32sTimp de răspuns (total)7.56sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.78sTimp de răspuns (mediu)…
660Total tokenuri de intrare…
93Tokenuri de ieșire…
654Tokenuri de raționament…
GPT-6 AstraModel 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)4.91sTimp de răspuns (maxim)5.08sTimp de răspuns (total)9.82sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.91sTimp de răspuns (mediu)…
660Total tokenuri de intrare…
93Tokenuri de ieșire…
752Tokenuri de raționament…
Claude Sonnet 5.5Model 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)4.58sTimp de răspuns (maxim)4.79sTimp de răspuns (total)9.15sUn 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)4.87sTimp de răspuns (maxim)6.32sTimp de răspuns (total)14.62sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.87sTimp de răspuns (mediu)…
642Total tokenuri de intrare…
212Tokenuri de ieșire…
1,084Tokenuri de raționament…
GPT-6 AstraModel 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)4.48sTimp de răspuns (maxim)5.60sTimp de răspuns (total)13.44sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.48sTimp de răspuns (mediu)…
642Total tokenuri de intrare…
215Tokenuri de ieșire…
1,072Tokenuri de raționament…
Claude Sonnet 5.5Model 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)4.88sTimp de răspuns (maxim)5.32sTimp de răspuns (total)14.63sUn 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)10.29sTimp de răspuns (maxim)10.29sTimp de răspuns (total)10.29sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
10.29sTimp de răspuns (mediu)…
5,454Total tokenuri de intrare…
260Tokenuri de ieșire…
842Tokenuri de raționament…
GPT-6 AstraModel 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)11.04sTimp de răspuns (maxim)11.04sTimp de răspuns (total)11.04sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
11.04sTimp de răspuns (mediu)…
5,454Total tokenuri de intrare…
264Tokenuri de ieșire…
1,051Tokenuri de raționament…
Claude Sonnet 5.5Model 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)10.29sTimp de răspuns (maxim)10.29sTimp de răspuns (total)10.29sUn 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)7.51sTimp de răspuns (maxim)7.51sTimp de răspuns (total)7.51sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
7.51sTimp de răspuns (mediu)…
195Total tokenuri de intrare…
30Tokenuri de ieșire…
863Tokenuri de raționament…
GPT-6 AstraModel 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)14.06sTimp de răspuns (maxim)14.06sTimp de răspuns (total)14.06sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
14.06sTimp de răspuns (mediu)…
195Total tokenuri de intrare…
30Tokenuri de ieșire…
1,804Tokenuri de raționament…
Claude Sonnet 5.5Model 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.Fără răspuns: 1Timp de răspuns (mediu)17.31sTimp de răspuns (maxim)17.31sTimp de răspuns (total)17.31sUn test este considerat trecut complet doar dacă toate rulările lui trec.…