Advertise here
#223

Claude Opus 4.6

Anthropic Lansare: 2026-02-05 Testat la: 2026-08-14 02:08 anthropic/claude-opus-4.6::medium
~5T în total (~500B activi)MoEÎnchisEstimat

Rezumat

Claude Opus 4.6 obține 6.3 pe AI BENCHY și este pe #223. Are fiabilitate 10.0, rată de reușită 60.9%, cost total $2.961 și timp mediu de răspuns 32.23s.

Ce face Claude Opus 4.6 unic: Se remarcă cel mai mult la Combinat, unde este pe #1, iar Sarcini agentice este zona cea mai slabă, la #16.

Model arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.

Date despre model

Documentat la 2026-08-12

Estimat
Parametri
~5T în total (~500B activi)
Arhitectură
MoE
Disponibilitate
Închis
Licență
-

Cea mai bună estimare bazată pe informații publice; furnizorul nu a dezvăluit toate valorile.

Sursa parametrilor Sursa disponibilității

Scor

6.3

Consistență

8.5

Fiabilitate

10.0

Cost total (preț curent)

$2.961

Total tokenuri de ieșire

96,722

Total tokenuri de intrare

108,573

Preț de intrare

$5.000 / 1M

Preț de ieșire

$25.000 / 1M

Preț citire cache

$0.500 / 1M

Preț scriere cache

$6.250 / 1M

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.

Teste corecte

Teste greșite: 9

Rată de trecere pe încercare: 60.9%

Teste instabile

3

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

Timp de răspuns (mediu)

32.23s

Timp de răspuns (maxim): 151.51s

Timp de răspuns (total): 515.65s

Formatare suplimentară: 4 Răspuns greșit: 4 Nu a urmat instrucțiunile: 1

Hamster playing table tennis

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

#223 Claude Opus 4.6

medium
Reached the allocated time limit (300 seconds) without receiving showcase output.
Cost
$0.000
Timp
300.0s
Tokenuri
0 tok

Istoric rulări

Testat la Scor Fiabilitate Teste corecte Cost total Compară
2026-08-14 02:08 Retestare 6.3 10.0 $2.961 Rularea curentă
2026-07-16 22:31 Test nou adăugat 7.7 10.0 $3.059 Compară
2026-06-04 13:45 Test nou adăugat 7.0 10.0 $2.053 Compară
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.

Comparație între rulări

RulareAcoperire benchmarkScorConsistențăFiabilitateTeste corecteTeste instabileTotal tokenuri de ieșireTotal tokenuri de intrareCost totalTimp de răspuns (mediu)
2026-08-14 02:08 · Rularea curentă66/69 încercări6.38.510.013/22396,722108,573$2.96132.23s
2026-04-11 01:44 · Prima rulare înregistrată54/54 încercări7.69.1N/D12/18248,7670$1.44621.08s
Diferență—-1.3-0.6+1+1+47955+108573+$1.516+11152ms

Acoperirea benchmark diferă: 66/69 încercări (Țintă: 3 repetări per test) față de 54/54 încercări (Țintă: 3 repetări per test). Totalurile și metricile sensibile la repetări nu sunt direct comparabile.

Aceste două rulări au folosit suite de benchmark diferite, așa că diferențele reflectă atât schimbări ale modelului, cât și ale suitei.

Istoric prețuri

Date istorice de preț pentru acest model de la OpenRouter.

Dată Preț de intrare Preț de ieșire Preț citire cache Preț scriere cache
2026-08-14 12:51 $5.000 / 1M $25.000 / 1M N/D N/D
2026-10-01 18:33 $5.000 / 1M $25.000 / 1M $0.500 / 1M $6.250 / 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

Defalcare pe categorii

Categorie Scor Consistență Teste corecte
Sarcini agentice 0.0 0.0
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