#71 DeepSeek V3.2
medium- Cost
- $0.001
- Timp
- 53.6s
- Tokenuri
- 1,932 tok
DeepSeek
Lansare: 2025-12-01
Testat la: 2026-05-22 00:46
deepseek/deepseek-v3.2::medium
(medium)
(none)
Rezumat
DeepSeek V3.2 obține 7.0 pe AI BENCHY și este pe #71. Are fiabilitate 9.1, rată de reușită 69.2%, cost total $0.037 și timp mediu de răspuns 53.21s.
Ce face DeepSeek V3.2 unic: Se remarcă cel mai mult la Combinat, unde este pe #1, iar Programare este zona cea mai slabă, la #18. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
7.0
Consistență
7.6
9.1
$0.037
Total tokenuri de ieșire
75,252
Total tokenuri de intrare
0
Preț de intrare
$0.252 / 1M
Preț de ieșire
$0.378 / 1M
Teste instabile
6
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 |
|---|---|---|---|---|---|
| 2026-07-16 23:13 Test nou adăugat | 7.0 | 10.0 | $0.078 ↑ | Compară | |
| 2026-06-04 14:41 Test nou adăugat | 7.0 | 10.0 | $0.044 ↓ | Compară | |
| 2026-05-22 00:46 Suită modificată | 7.0 | 9.1 | $0.037 | Rularea curentă | |
| 2026-05-08 15:27 Suită modificată | 7.2 | 10.0 | $0.031 | Compară | |
| 2026-04-20 17:48 Prima rulare înregistrată | 8.0 | N/D | $0.029 | 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 00:46 · Suită modificată | 7.0 | 7.6 | 9.1 | 11/20 | 6 | 75,252 | 0 | $0.037 | 53.21s |
| 2026-07-16 23:13 · Test nou adăugat | 7.0 | 7.4 | 10.0 | 11/22 | 7 | 128,848 | 101,047 | $0.078 | 68.62s |
| Diferență | 0.0 | +0.2 | -0.9 | 0 | -1 | -53596 | -101047 | -$0.041 | -15402ms |
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
DeepSeek V3.2mediumvsGLM 5.1mediumDeepSeek V3.2mediumvsGrok 4.3mediumDeepSeek V3.2mediumvsKimi K2.5mediumDeepSeek V3.2mediumvsQwen3.5-122B-A10BmediumDeepSeek V3.2mediumvsMercury 2mediumDeepSeek V3.2mediumvsGemini 3 Flash PreviewmediumDeepSeek V3.2mediumvsGemini 3.5 FlashhighDeepSeek V3.2mediumvsNemotron 3 UltramediumDisponibil gratuitDeepSeek V3.2mediumvsGPT-5.5low
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 9.2 | 10.0 | |
| Programare | 3.9 | 5.8 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 2.9 | 4.4 | |
| Inteligență generală | 3.8 | 2.5 | |
| Respectarea instrucțiunilor | 10.0 | 10.0 | |
| Rezolvare de puzzle-uri | 6.7 | 5.0 | |
| Apelare instrumente | 10.0 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |