AI BENCHY
Advertise here
#40

Claude Opus 4.6

Anthropic Lansare: 2026-02-05 Testat la: 2026-06-04 13:45 anthropic/claude-opus-4.6::medium

Rezumat

Claude Opus 4.6 obține 7.7 pe AI BENCHY și este pe #40. Are fiabilitate 10.0, rată de reușită 61.9%, cost total $2.053 și timp mediu de răspuns 25.89s.

Scor

7.7

Consistență

8.8

Fiabilitate

10.0

Cost total (preț curent)

$2.053

Total tokenuri de ieșire

71,446

Total tokenuri de intrare

53,227

Preț de intrare

$5.000 / 1M

Preț de ieșire

$25.000 / 1M

Teste corecte

Teste greșite: 9

Rată de trecere pe încercare: 61.9%

Teste instabile

3

Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).

Timp de răspuns (mediu)

25.89s

Timp de răspuns (maxim): 83.40s

Timp de răspuns (total): 362.49s

Formatare suplimentară: 5 Răspuns greșit: 3 Nu a urmat instrucțiunile: 1

Prezentare generare

Hamster playing table tennis

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

#40 Claude Opus 4.6

medium
SVG invalid
Cost
$0.000
Timp
300.0s
Tokenuri
0 tok

Istoric rulări

Testat la Scor Fiabilitate Teste corecte Cost total Compară
2026-06-04 13:45 Test nou adăugat 7.0 10.0 $2.053 Rularea curentă
2026-05-22 00:17 Suită modificată 7.2 10.0 $1.896 Compară
2026-04-11 01:44 Prima rulare înregistrată 7.6 N/D $1.446 Compară

Această rulare a folosit o suită de benchmark diferită. Ține cont de schimbările suitei când interpretezi evoluția istorică.

Istoric prețuri

Date istorice de preț pentru acest model de la OpenRouter.

Dată Preț de intrare Preț de ieșire
2026-06-04 15:40 $5.000 / 1M $25.000 / 1M

Grafice

Alege primul model, apoi fă clic pe al doilea model pentru a deschide o pagină alăturată.

Total tokenuri de ieșire

Scor vs Total tokenuri de ieșire

Comparație rapidă

Claude Opus 4.6mediumvsClaude Opus 4.8lowClaude Opus 4.6mediumvsQwen3.5-122B-A10BmediumClaude Opus 4.6mediumvsStep 3.7 FlashlowClaude Opus 4.6mediumvsKimi K2.6mediumDisponibil gratuitClaude Opus 4.6mediumvsMiniMax M3mediumClaude Opus 4.6mediumvsGemini 3.5 FlashhighClaude Opus 4.6mediumvsGemini 3 Flash PreviewmediumClaude Opus 4.6mediumvsNemotron 3 Ultra 550b A55bmediumDisponibil gratuitClaude Opus 4.6mediumvsGPT-5.5low

Defalcare pe categorii

Categorie Scor Consistență Teste corecte
Trucuri anti-AI 6.4 5.8
Programare 5.7 7.1
Combinat 10.0 10.0
Parsare și extragere de date 10.0 10.0
Specific domeniului 3.0 10.0
Inteligență generală 10.0 10.0
Respectarea instrucțiunilor 10.0 10.0
Rezolvare de puzzle-uri 7.7 10.0
Apelare instrumente 10.0 10.0
Cultură generală 3.0 10.0

Modele comparate