#8 Gemini 3.5 Flash
none- Cost
- $0.225
- Timp
- 125.5s
- Tokenuri
- 25,004 tok
Google
Lansare: 2026-05-19
Testat la: 2026-05-22 00:29
google/gemini-3.5-flash::none
~500B în total (~20B activi)MoEÎnchisEstimat
Rezumat
Gemini 3.5 Flash obține 8.9 pe AI BENCHY și este pe #8. Are fiabilitate 10.0, rată de reușită 90.2%, cost total $0.924 și timp mediu de răspuns 9.05s.
Ce face Gemini 3.5 Flash unic: Se remarcă cel mai mult la Parsare și extragere de date, unde este pe #1, iar Combinat este zona cea mai slabă, la #17.
Date despre model
Documentat la 2026-08-12
- Parametri
- ~500B în total (~20B activi)
- Arhitectură
- MoE
- Disponibilitate
- Închis
- Licență
- -
Cea mai bună estimare bazată pe informații publice; furnizorul nu a dezvăluit toate valorile.
8.9
Consistență
8.6
10.0
$0.924
Total tokenuri de ieșire
100,760
Total tokenuri de intrare
0
Preț de intrare
$1.500 / 1M
Preț de ieșire
$9.000 / 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 |
|---|---|---|---|---|---|
| 2026-08-14 02:46 Retestare | 6.9 | 10.0 | $1.093 | Compară | |
| 2026-07-16 22:53 Test nou adăugat | 7.0 | 10.0 | $1.079 | Compară | |
| 2026-06-04 14:02 Test nou adăugat | 8.1 | 10.0 | $1.079 | Compară | |
| 2026-05-22 00:29 Suită modificată | 8.9 | 10.0 | $0.924 | Rularea curentă | |
| 2026-05-19 23:35 Prima rulare | 9.1 | 10.0 | $0.489 | 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 00:29 · Suită modificată | 60/60 încercări | 8.9 | 8.6 | 10.0 | 14/17 | 3 | 100,760 | 0 | $0.924 | 9.05s |
| 2026-08-14 02:46 · Retestare | 66/66 încercări | 6.9 | 8.9 | 10.0 | 14/22 | 3 | 119,100 | 13,852 | $1.093 | 10.18s |
| Diferență | — | +2.0 | -0.3 | 0.0 | +3 | 0 | -18340 | -13852 | -$0.170 | -1133ms |
Acoperirea benchmark diferă: 60/60 încercări (Țintă: 3 repetări per test) față de 66/66 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
Gemini 3.5 FlashnonevsSeed-2.0-CodehighGemini 3.5 FlashnonevsQwen3.6 FlashmediumGemini 3.5 FlashnonevsQwen3.7 FlashmediumGemini 3.5 FlashnonevsStep 3.7 FlashhighGemini 3.5 FlashnonevsKAT-Coder-Pro V2.5mediumGemini 3.5 FlashnonevsSeed-2.0-CodemediumGemini 3.5 FlashnonevsKimi K2.5mediumGemini 3.5 FlashnonevsSolar Pro 4lowGemini 3.5 FlashnonevsSeed-2.0-MinimediumGemini 3.5 FlashnonevsSolar Pro 4medium
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 10.0 | 10.0 | |
| Programare | 8.2 | 6.7 | |
| Combinat | 0.0 | 0.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 7.6 | 7.2 | |
| Inteligență generală | 10.0 | 10.0 | |
| Respectarea instrucțiunilor | 9.8 | 10.0 | |
| Rezolvare de puzzle-uri | 10.0 | 10.0 | |
| Apelare instrumente | 0.0 | 0.0 | |
| Cultură generală | 2.8 | 1.6 |