#105 Cobuddy
medium
No endpoints found for baidu/cobuddy:free.
- Cost
- $0.000
- Timp
- 0.1s
- Tokenuri
- 0 tok
Baidu
Lansare: 2026-05-06
Testat la: 2026-05-22 00:23
baidu/cobuddy::medium
Rezumat
Cobuddy obține 5.7 pe AI BENCHY și este pe #105. Are fiabilitate 9.9, rată de reușită 51.7%, cost total $0.000 și timp mediu de răspuns 39.91s.
Ce face Cobuddy unic: Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
5.7
Consistență
7.0
9.9
$0.000
Total tokenuri de ieșire
118,185
Total tokenuri de intrare
0
Preț de intrare
$0.000 / 1M
Preț de ieșire
$0.000 / 1M
Teste instabile
7
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 |
|---|---|---|---|---|---|
| 2026-06-04 13:47 Test nou adăugat | 4.7 | 10.0 | $0.000 | Compară | |
| 2026-05-22 00:23 Suită modificată | 5.7 | 9.9 | $0.000 | Rularea curentă | |
| 2026-05-06 11:30 Prima rulare înregistrată | 6.0 | 9.9 | $0.000 | 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 00:23 · Suită modificată | 20/20 teste · 60/60 încercări | 5.7 | 7.0 | 9.9 | 7/20 | 7 | 118,185 | 0 | $0.000 | 39.91s |
| 2026-06-04 13:47 · Test nou adăugat | 21/21 teste · 63/63 încercări | 4.7 | 7.2 | 10.0 | 7/21 | 6 | 118,380 | 37,449 | $0.000 | 39.90s |
| Diferență | — | +1.1 | -0.2 | -0.1 | 0 | +1 | -195 | -37449 | $0.000 | +12ms |
Acoperirea benchmark diferă: 20/20 teste · 60/60 încercări (Țintă: 3 repetări per test) față de 21/21 teste · 63/63 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
CobuddymediumDisponibil gratuitvsQwen3 Coder NextmediumCobuddymediumDisponibil gratuitvsMercury 2noneCobuddymediumDisponibil gratuitvsTrinity Large PreviewnoneCobuddymediumDisponibil gratuitvsMiniMax M2.5mediumCobuddymediumDisponibil gratuitvsKAT-Coder-Air V2.5noneCobuddymediumDisponibil gratuitvsLaguna S 2.1noneDisponibil gratuitCobuddymediumDisponibil gratuitvsTrinity Large ThinkinghighCobuddymediumDisponibil gratuitvsGLM 4.7 FlashmediumCobuddymediumDisponibil gratuitvsGPT-5.4 NanononeCobuddymediumDisponibil gratuitvsGrok 4.20none
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 8.7 | 7.9 | |
| Programare | 4.1 | 5.1 | |
| Combinat | 3.0 | 10.0 | |
| Parsare și extragere de date | 6.3 | 5.8 | |
| Specific domeniului | 2.9 | 4.4 | |
| Inteligență generală | 4.2 | 9.9 | |
| Respectarea instrucțiunilor | 9.8 | 10.0 | |
| Rezolvare de puzzle-uri | 3.5 | 4.4 | |
| Apelare instrumente | 10.0 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |