#112 DeepSeek V4 Pro
none
Reached the allocated time limit (300 seconds) without receiving showcase output.
- Cost
- $0.000
- Timp
- 300.0s
- Tokenuri
- 0 tok
DeepSeek
Lansare: 2026-04-24
Testat la: 2026-04-24 09:19
deepseek/deepseek-v4-pro::none
1.6T în total (49B activi)MoESursă deschisă
(high)
(none)
Rezumat
DeepSeek V4 Pro obține 3.1 pe AI BENCHY și este pe #112. Are fiabilitate N/D, rată de reușită 11.1%, cost total $0.009 și timp mediu de răspuns 44.40s.
Ce face DeepSeek V4 Pro unic: Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
Date despre model
Documentat la 2026-08-12
- Parametri
- 1.6T în total (49B activi)
- Arhitectură
- MoE
- Disponibilitate
- Sursă deschisă
- Licență
- MIT
3.1
Consistență
7.2
N/D
$0.009
Total tokenuri de ieșire
591
Total tokenuri de intrare
0
Preț de intrare
$1.740 / 1M
Preț de ieșire
$3.480 / 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 |
|---|---|---|---|---|---|
| 2026-08-14 03:00 Retestare | 6.8 | 10.0 | $0.256 ↑ | Compară | |
| 2026-07-16 23:18 Test nou adăugat | 6.9 | 10.0 | $0.096 | Compară | |
| 2026-06-16 15:17 Retestare | 7.2 | 9.9 | $0.034 | Compară | |
| 2026-06-16 14:39 Suită modificată | 7.2 | 9.9 | $0.030 | Compară | |
| 2026-06-04 14:24 Test nou adăugat | 5.7 | 8.5 | $0.025 ↓ | Compară | |
| 2026-05-22 00:38 Suită modificată | 6.0 | 8.1 | $0.046 | Compară | |
| 2026-04-29 14:46 Retestare | 6.2 | 7.9 | $0.043 | Compară | |
| 2026-04-24 09:19 Prima rulare | 3.1 | N/D | $0.009 | Rularea curentă |
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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-24 09:19 · Prima rulare | 54/54 încercări | 3.1 | 7.2 | N/D | 0/18 | 6 | 591 | 0 | $0.009 | 44.40s |
| 2026-06-04 14:24 · Test nou adăugat | 63/63 încercări | 5.7 | 8.5 | 8.5 | 7/21 | 4 | 5,349 | 44,845 | $0.025 | 12.38s |
| Diferență | — | -2.6 | -1.3 | -7 | +2 | -4758 | -44845 | -$0.016 | +32014ms |
Acoperirea benchmark diferă: 54/54 încercări (Țintă: 3 repetări per test) față de 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
DeepSeek V4 PrononevsSolar Pro 4mediumDeepSeek V4 PrononevsGLM 5.3lowDeepSeek V4 PrononevsSolar Pro 4lowDeepSeek V4 PrononevsMiMo-V2.5-PromediumDeepSeek V4 PrononevsSeed-2.0-CodemediumDeepSeek V4 PrononevsGemini 3 Flash PreviewnoneDeepSeek V4 PrononevsStep 3.7 FlashhighDeepSeek V4 PrononevsGemma 4 26B A4BmediumDisponibil gratuitDeepSeek V4 PrononevsQwen3.6 FlashmediumDeepSeek V4 PrononevsGLM 5.2none
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 3.1 | 10.0 | |
| Programare | 2.8 | 1.6 | |
| Combinat | 3.0 | 10.0 | |
| Parsare și extragere de date | 2.8 | 1.6 | |
| Specific domeniului | 3.0 | 10.0 | |
| Inteligență generală | 3.4 | 9.6 | |
| Respectarea instrucțiunilor | 3.3 | 6.1 | |
| Rezolvare de puzzle-uri | 3.6 | 4.3 | |
| Apelare instrumente | 3.0 | 10.0 |