#63 Claude Opus 4.6
medium
SVG invalid
- Cost
- $0.000
- Timp
- 300.0s
- Tokenuri
- 0 tok
Anthropic
Lansare: 2026-02-05
Testat la: 2026-05-22 00:17
anthropic/claude-opus-4.6::medium
Rezumat
Claude Opus 4.6 obține 7.2 pe AI BENCHY și este pe #63. Are fiabilitate 10.0, rată de reușită 63.3%, cost total $1.896 și timp mediu de răspuns 25.44s.
Ce face Claude Opus 4.6 unic: Se remarcă cel mai mult la Respectarea instrucțiunilor, unde este pe #1, iar Trucuri anti-AI este zona cea mai slabă, la #12.
7.2
Consistență
9.1
10.0
$1.896
Total tokenuri de ieșire
65,814
Total tokenuri de intrare
0
Preț de intrare
$5.000 / 1M
Preț de ieșire
$25.000 / 1M
Teste instabile
2
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
Prezentare generare
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 |
|---|---|---|---|---|---|
| 2026-06-04 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 | Rularea curentă | |
| 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 | Scor | Consistență | Fiabilitate | Teste corecte | Teste instabile | Total tokenuri de ieșire | Total tokenuri de intrare | Cost total | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:17 · Suită modificată | 7.2 | 9.1 | 10.0 | 12/20 | 2 | 65,814 | 0 | $1.896 | 25.44s |
| 2026-06-04 13:45 · Test nou adăugat | 7.0 | 8.8 | 10.0 | 12/21 | 3 | 71,446 | 53,227 | $2.053 | 25.89s |
| Diferență | +0.2 | +0.3 | 0.0 | 0 | -1 | -5632 | -53227 | -$0.157 | -453ms |
Aceste două rulări au folosit suite de benchmark diferite, așa că diferențele reflectă atât schimbări ale modelului, cât și ale suitei.
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
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 | 7.2 | 9.8 | |
| 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 |