#12
Google
Lansare: 2025-12-17
Testat la: 2026-05-22 00:26
google/gemini-3-flash-preview::low
Preț de intrare
$0.500 / 1M
Preț de ieșire
$3.000 / 1M
Teste instabile
1
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
Istoric rulări
| Testat la | Scor | Fiabilitate | Teste corecte | Cost total | Compară |
|---|---|---|---|---|---|
| 2026-05-22 00:26 Suită modificată | 8.6 | 10.0 | $0.106 | Rularea curentă | |
| 2026-04-11 01:44 Prima rulare înregistrată | 8.8 | N/D | $0.091 | 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 | Cost total | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:26 · Rularea curentă | 8.6 | 9.6 | 10.0 | 16/20 | 1 | 29,418 | $0.106 | 5.81s |
| 2026-04-11 01:44 · Prima rulare înregistrată | 8.8 | 9.5 | N/D | 15/18 | 1 | 25,291 | $0.091 | 6.01s |
| Diferență | -0.2 | +0.1 | +1 | 0 | +4127 | +$0.015 | -195ms |
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.
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
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 10.0 | 10.0 | |
| Programare | 7.3 | 10.0 | |
| Combinat | 3.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 5.3 | 7.2 | |
| Inteligență generală | 10.0 | 10.0 | |
| Respectarea instrucțiunilor | 9.9 | 10.0 | |
| Rezolvare de puzzle-uri | 10.0 | 10.0 | |
| Apelare instrumente | 10.0 | 10.0 | |
| Cultură generală | 10.0 | 10.0 |