#78 DeepSeek V4 Pro
none
SVG invalid
- Cost
- $0.000
- Timp
- 300.0s
- Tokenuri
- 0 tok
DeepSeek
Lansare: 2026-04-24
Testat la: 2026-04-29 14:46
deepseek/deepseek-v4-pro::none
(high)
(none)
Rezumat
DeepSeek V4 Pro obține 6.2 pe AI BENCHY și este pe #78. Are fiabilitate 7.9, rată de reușită 48.2%, cost total $0.043 și timp mediu de răspuns 14.01s.
Ce face DeepSeek V4 Pro unic: Se remarcă cel mai mult la Specific domeniului, unde este pe #2, iar Trucuri anti-AI este zona cea mai slabă, la #17. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
6.2
Consistență
8.7
7.9
$0.043
Total tokenuri de ieșire
3,903
Total tokenuri de intrare
0
Preț de intrare
$0.435 / 1M
Preț de ieșire
$0.870 / 1M
Teste instabile
3
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 23:18 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 | Rularea curentă | |
| 2026-04-24 09:19 Prima rulare | 3.1 | N/D | $0.009 | Compară |
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) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-04-29 14:46 · Retestare | 6.2 | 8.7 | 7.9 | 7/18 | 3 | 3,903 | 0 | $0.043 | 14.01s |
| 2026-06-16 14:39 · Suită modificată | 7.2 | 8.8 | 9.9 | 10/21 | 3 | 7,047 | 53,078 | $0.030 | 5.30s |
| Diferență | -1.0 | -0.1 | -2.0 | -3 | 0 | -3144 | -53078 | +$0.013 | +8703ms |
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 PrononevsKAT-Coder-Pro V2.5mediumDeepSeek V4 PrononevsGPT-5.6 SolnoneDeepSeek V4 PrononevsSeed-2.0-MinimediumDeepSeek V4 PrononevsMiMo-V2.5-PromediumDeepSeek V4 PrononevsGemini 3.5 FlashnoneDeepSeek V4 PrononevsQwen3.6 FlashmediumDeepSeek V4 PrononevsMercury 2mediumDeepSeek V4 PrononevsStep 3.7 FlashhighDeepSeek V4 PrononevsKimi K2.5mediumDeepSeek V4 PrononevsGPT-5.5none
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 3.5 | 8.0 | |
| Programare | 7.1 | 3.7 | |
| Combinat | 9.5 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 5.3 | 10.0 | |
| Inteligență generală | 4.3 | 9.9 | |
| Respectarea instrucțiunilor | 6.3 | 10.0 | |
| Rezolvare de puzzle-uri | 6.0 | 7.1 | |
| Apelare instrumente | 10.0 | 10.0 |