#104 DeepSeek V3.2
none- Cost
- $0.002
- Timp
- 7.0s
- Tokenuri
- 1,046 tok
DeepSeek
Lansare: 2025-12-01
Testat la: 2026-05-08 15:31
deepseek/deepseek-v3.2::none
(medium)
(none)
Rezumat
DeepSeek V3.2 obține 5.7 pe AI BENCHY și este pe #104. Are fiabilitate 10.0, rată de reușită 49.1%, cost total $0.016 și timp mediu de răspuns 13.43s.
Ce face DeepSeek V3.2 unic: Se remarcă cel mai mult la Combinat, unde este pe #3, iar Programare este zona cea mai slabă, la #16. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
5.7
Consistență
7.9
10.0
$0.016
Total tokenuri de ieșire
7,194
Total tokenuri de intrare
0
Preț de intrare
$0.252 / 1M
Preț de ieșire
$0.378 / 1M
Teste instabile
5
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 23:15 Test nou adăugat | 5.0 | 10.0 | $0.054 ↑ | Compară | |
| 2026-06-04 14:22 Test nou adăugat | 5.2 | 10.0 | $0.017 ↓ | Compară | |
| 2026-05-22 00:35 Suită modificată | 5.6 | 10.0 | $0.018 | Compară | |
| 2026-05-08 15:31 Suită modificată | 5.7 | 10.0 | $0.016 | Rularea curentă | |
| 2026-04-20 17:48 Prima rulare înregistrată | 6.1 | N/D | $0.016 | 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) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-08 15:31 · Suită modificată | 5.7 | 7.9 | 10.0 | 7/19 | 5 | 7,194 | 0 | $0.016 | 13.43s |
| 2026-05-22 00:35 · Suită modificată | 5.6 | 8.0 | 10.0 | 7/20 | 5 | 11,163 | 0 | $0.018 | 14.46s |
| Diferență | +0.1 | -0.1 | 0.0 | 0 | 0 | -3969 | 0 | -$0.003 | -1034ms |
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 V3.2nonevsQwen3.6 27BnoneDeepSeek V3.2nonevsMiMo-V2.5-PrononeDeepSeek V3.2nonevsGLM 5.1noneDeepSeek V3.2nonevsKimi K2.5noneDeepSeek V3.2nonevsDeepSeek V4 FlashnoneDeepSeek V3.2nonevsGemma 4 26B A4BnoneDisponibil gratuitDeepSeek V3.2nonevsGemini 3 Flash PreviewmediumDeepSeek V3.2nonevsGemini 3.5 FlashhighDeepSeek V3.2nonevsNemotron 3 UltramediumDisponibil gratuitDeepSeek V3.2nonevsGPT-5.5low
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 3.3 | 8.2 | |
| Programare | 2.4 | 1.3 | |
| Combinat | 6.5 | 10.0 | |
| Parsare și extragere de date | 6.3 | 5.8 | |
| Specific domeniului | 3.0 | 6.9 | |
| Inteligență generală | 7.6 | 10.0 | |
| Respectarea instrucțiunilor | 10.0 | 10.0 | |
| Rezolvare de puzzle-uri | 7.5 | 7.7 | |
| Apelare instrumente | 10.0 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |