#47 Claude Sonnet 4.6
medium
SVG invalid
- Cost
- $0.000
- Timp
- 300.0s
- Tokenuri
- 0 tok
Anthropic
Lansare: 2026-02-17
Testat la: 2026-05-22 00:14
anthropic/claude-sonnet-4.6::medium
~1T în total (~100B activi)MoEÎnchisEstimat
(medium)
(none)
Rezumat
Claude Sonnet 4.6 obține 7.6 pe AI BENCHY și este pe #47. Are fiabilitate 10.0, rată de reușită 68.3%, cost total $1.330 și timp mediu de răspuns 15.72s.
Ce face Claude Sonnet 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 #18.
Date despre model
Documentat la 2026-08-12
- Parametri
- ~1T în total (~100B activi)
- Arhitectură
- MoE
- Disponibilitate
- Închis
- Licență
- -
Cea mai bună estimare bazată pe informații publice; furnizorul nu a dezvăluit toate valorile.
7.6
Consistență
9.2
10.0
$1.330
Total tokenuri de ieșire
79,442
Total tokenuri de intrare
0
Preț de intrare
$3.000 / 1M
Preț de ieșire
$15.000 / 1M
Teste instabile
2
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 02:03 Retestare | 7.8 | 10.0 | $2.126 | Compară | |
| 2026-07-16 22:27 Test nou adăugat | 7.8 | 10.0 | $2.057 | Compară | |
| 2026-06-04 13:42 Test nou adăugat | 7.4 | 10.0 | $1.418 | Compară | |
| 2026-05-22 00:14 Suită modificată | 7.6 | 10.0 | $1.330 | Rularea curentă | |
| 2026-04-11 01:44 Prima rulare înregistrată | 8.0 | N/D | $1.161 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:14 · Suită modificată | 60/60 încercări | 7.6 | 9.2 | 10.0 | 13/20 | 2 | 79,442 | 0 | $1.330 | 15.72s |
| 2026-04-11 01:44 · Prima rulare înregistrată | 54/54 încercări | 8.0 | 9.5 | N/D | 13/18 | 1 | 68,852 | 0 | $1.161 | 12.66s |
| Diferență | — | -0.5 | -0.3 | 0 | +1 | +10590 | 0 | +$0.169 | +3062ms |
Acoperirea benchmark diferă: 60/60 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.
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 Sonnet 4.6mediumvsGPT-5.6 TerramediumClaude Sonnet 4.6mediumvsQwen3.8 27BmediumClaude Sonnet 4.6mediumvsGLM 5.2mediumClaude Sonnet 4.6mediumvsSeed-2.0-LitemediumClaude Sonnet 4.6mediumvsGemini 3.5 Flash LitemediumClaude Sonnet 4.6mediumvsClaude Opus 4.8lowClaude Sonnet 4.6mediumvsQwen3.6 PlusmediumClaude Sonnet 4.6mediumvsQwen3.7 FlashhighClaude Sonnet 4.6mediumvsQwen3.7 PlusmediumClaude Sonnet 4.6mediumvsGLM 5medium
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 6.5 | 10.0 | |
| Programare | 6.9 | 6.0 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 2.9 | 7.2 | |
| Inteligență generală | 10.0 | 10.0 | |
| Respectarea instrucțiunilor | 10.0 | 10.0 | |
| Rezolvare de puzzle-uri | 10.0 | 10.0 | |
| Apelare instrumente | 10.0 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |