#68 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
Anthropic
Lansare: 2026-02-05
Testat la: 2026-06-04 13:45
anthropic/claude-opus-4.6::medium
~5T în total (~500B activi)MoEÎnchisEstimat Rezumat
Claude Opus 4.6 obține 7.0 pe AI BENCHY și este pe #68. Are fiabilitate 10.0, rată de reușită 61.9%, cost total $2.053 și timp mediu de răspuns 25.89s.
Ce face Claude Opus 4.6 unic: Se remarcă cel mai mult la Combinat, unde este pe #1, iar Trucuri anti-AI este zona cea mai slabă, la #18.
Model arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
Date despre model
Documentat la 2026-08-12
- 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.
7.0
Consistență
8.8
10.0
$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
Preț citire cache
N/D
Preț scriere cache
N/D
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 instabile
3
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
Istoric rulări
| Testat la | Scor | Fiabilitate | Teste corecte | Cost total | Compară |
|---|---|---|---|---|---|
| 2026-08-14 02:08 Retestare | 7.7 | 10.0 | $2.961 | Compară | |
| 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 | 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.
Comparație între rulări
| Rulare | Acoperire benchmark | Scor | Consistență | Fiabilitate | Teste corecte | Teste instabile | Total tokenuri de ieșire | Total tokenuri de intrare | Cost total | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-06-04 13:45 · Test nou adăugat | 63/63 încercări | 7.0 | 8.8 | 10.0 | 12/21 | 3 | 71,446 | 53,227 | $2.053 | 25.89s |
| 2026-04-11 01:44 · Prima rulare înregistrată | 54/54 încercări | 7.6 | 9.1 | N/D | 12/18 | 2 | 48,767 | 0 | $1.446 | 21.08s |
| Diferență | — | -0.6 | -0.3 | 0 | +1 | +22679 | +53227 | +$0.607 | +4816ms |
Acoperirea benchmark diferă: 63/63 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 |
|---|---|---|---|---|
| 2026-06-04 14:42 | $5.000 / 1M | $25.000 / 1M | N/D | N/D |
Grafice
Alege primul model, apoi fă clic pe al doilea model pentru a deschide o pagină alăturată.
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
| 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 |