#59 Mercury 2
medium- Cost
- $0.002
- Timp
- 2.1s
- Tokenuri
- 1,702 tok
Inception
Lansare: 2026-02-24
Testat la: 2026-04-11 01:44
inception/mercury-2::medium
~100BAltulÎnchisEstimat
(medium)
(none)
Rezumat
Mercury 2 obține 6.5 pe AI BENCHY și este pe #59. Are fiabilitate N/D, rată de reușită 53.7%, cost total $0.047 și timp mediu de răspuns 2.21s.
Ce face Mercury 2 unic: Se remarcă cel mai mult la Combinat, unde este pe #1, iar Trucuri anti-AI este zona cea mai slabă, la #18. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor. Este vizibil rapid față de modele similare.
Date despre model
Documentat la 2026-08-12
- Parametri
- ~100B
- Arhitectură
- Altul
- Disponibilitate
- Închis
- Licență
- -
Cea mai bună estimare bazată pe informații publice; furnizorul nu a dezvăluit toate valorile.
6.5
Consistență
8.6
N/D
$0.047
Total tokenuri de ieșire
52,305
Total tokenuri de intrare
0
Preț de intrare
$0.250 / 1M
Preț de ieșire
$0.750 / 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 03:05 Retestare | 7.0 | 10.0 | $0.094 | Compară | |
| 2026-07-16 23:14 Test nou adăugat | 7.0 | 10.0 | $0.093 | Compară | |
| 2026-06-04 14:27 Test nou adăugat | 6.6 | 10.0 | $0.058 | Compară | |
| 2026-05-22 00:40 Retestare | 6.3 | 10.0 | $0.055 | Compară | |
| 2026-04-11 01:44 Prima rulare înregistrată | 6.5 | N/D | $0.047 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-11 01:44 · Prima rulare înregistrată | 54/54 încercări | 6.5 | 8.6 | N/D | 8/18 | 3 | 52,305 | 0 | $0.047 | 2.21s |
| 2026-08-14 03:05 · Retestare | 66/66 încercări | 7.0 | 8.4 | 10.0 | 10/22 | 4 | 87,554 | 110,515 | $0.094 | 2.95s |
| Diferență | — | -0.5 | +0.2 | -2 | -1 | -35249 | -110515 | -$0.047 | -740ms |
Acoperirea benchmark diferă: 54/54 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
Mercury 2mediumvsGPT-5.5noneMercury 2mediumvsGrok 4.20mediumMercury 2mediumvsGLM 5.1mediumMercury 2mediumvsSeed-2.0-MinimediumMercury 2mediumvsDeepSeek V3.2mediumMercury 2mediumvsKimi K2.5mediumMercury 2mediumvsGPT-5.6 SolnoneMercury 2mediumvsKAT-Coder-Pro V2.5mediumMercury 2mediumvsGrok 4.3mediumMercury 2mediumvsClaude Fable 5.1low
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 6.9 | 9.9 | |
| Programare | 10.0 | 10.0 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 7.3 | 5.9 | |
| Specific domeniului | 2.9 | 7.2 | |
| Inteligență generală | 4.8 | 10.0 | |
| Respectarea instrucțiunilor | 10.0 | 10.0 | |
| Rezolvare de puzzle-uri | 3.9 | 7.5 | |
| Apelare instrumente | 10.0 | 10.0 |