#1 Gemini 3 Flash Preview
medium- Cost
- $0.010
- Timp
- 17.9s
- Tokenuri
- 3,236 tok
Google
Lansare: 2025-12-17
Testat la: 2026-05-06 13:38
google/gemini-3-flash-preview::medium
Rezumat
Gemini 3 Flash Preview obține 9.8 pe AI BENCHY și este pe #1. Are fiabilitate 10.0, rată de reușită 98.2%, cost total $0.320 și timp mediu de răspuns 11.53s.
Ce face Gemini 3 Flash Preview unic: Se remarcă cel mai mult la Specific domeniului, unde este pe #1, iar Rezolvare de puzzle-uri este zona cea mai slabă, la #8. Este unul dintre modelele cel mai bine clasate per total. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
9.8
Consistență
9.6
10.0
$0.320
Total tokenuri de ieșire
101,480
Total tokenuri de intrare
0
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).
Prezentare generare
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 |
|---|---|---|---|---|---|
| 2026-06-04 13:59 Test nou adăugat | 9.8 | 10.0 | $0.667 | Compară | |
| 2026-05-22 00:28 Suită modificată | 9.8 | 10.0 | $0.567 | Compară | |
| 2026-05-06 13:52 Suită modificată | 10.0 | 10.0 | $0.321 | Compară | |
| 2026-05-06 13:38 Suită modificată | 9.8 | 10.0 | $0.320 | Rularea curentă | |
| 2026-04-23 15:25 Retestare | 10.0 | N/D | $0.108 | Compară | |
| 2026-04-11 01:44 Prima rulare înregistrată | 10.0 | N/D | $0.314 | 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) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-06 13:38 · Suită modificată | 9.8 | 9.6 | 10.0 | 17/18 | 1 | 101,480 | 0 | $0.320 | 11.53s |
| 2026-05-22 00:28 · Suită modificată | 9.8 | 9.6 | 10.0 | 19/20 | 1 | 183,324 | 0 | $0.567 | 16.72s |
| Diferență | 0.0 | 0.0 | 0.0 | -2 | 0 | -81844 | 0 | -$0.248 | -5193ms |
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
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 10.0 | 10.0 | |
| Programare | 10.0 | 10.0 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 10.0 | 10.0 | |
| Inteligență generală | 10.0 | 10.0 | |
| Respectarea instrucțiunilor | 10.0 | 10.0 | |
| Rezolvare de puzzle-uri | 9.0 | 7.9 | |
| Apelare instrumente | 10.0 | 10.0 |