AI BENCHY
Advertise here
#47

Claude Sonnet 4.6

Anthropic Lansare: 2026-02-17 Testat la: 2026-05-22 00:14 anthropic/claude-sonnet-4.6::medium
(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 Inteligență generală, unde este pe #1, iar Specific domeniului este zona cea mai slabă, la #15.

Scor

7.6

Consistență

9.2

Fiabilitate

10.0

Cost total (preț curent)

$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 corecte

Teste greșite: 7

Rată de trecere pe încercare: 68.3%

Teste instabile

2

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

Timp de răspuns (mediu)

15.72s

Timp de răspuns (maxim): 46.35s

Timp de răspuns (total): 188.69s

Formatare suplimentară: 3 Răspuns greșit: 3 Timp expirat: 1

Prezentare generare

Hamster playing table tennis

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

#47 Claude Sonnet 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 13:42 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.

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 Sonnet 4.6mediumvsClaude Sonnet 5mediumClaude Sonnet 4.6mediumvsQwen3.5-27BmediumClaude Sonnet 4.6mediumvsGemini 3.1 Flash Lite PreviewmediumClaude Sonnet 4.6mediumvsQwen3.5 Plus 2026-02-15mediumClaude Sonnet 4.6mediumvsQwen3.5 Plus 2026-04-20mediumClaude Sonnet 4.6mediumvsGemini 3.5 FlashhighClaude Sonnet 4.6mediumvsGemini 3 Flash PreviewmediumClaude Sonnet 4.6mediumvsNemotron 3 Ultra 550b A55bmediumDisponibil gratuitClaude Sonnet 4.6mediumvsGPT-5.5low

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

Modele comparate