Rezumat
Ling-2.6-flash obține 4.3 pe AI BENCHY și este pe #243. Are fiabilitate N/D, rată de reușită 28.8%, cost total $0.000 și timp mediu de răspuns 1.27s.
Ce face Ling-2.6-flash unic: Se remarcă cel mai mult la Respectarea instrucțiunilor, unde este pe #1, iar Combinat este zona cea mai slabă, la #8. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
Model arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
Notă de identitate
Elephant Alpha a fost versiunea stealth a lui Ling-2.6-flash.
Această pagină reflectă în prezent datele de benchmark colectate sub Elephant Alpha.
Documentat la 2026-08-12
4.3
Consistență
9.2
N/D
$0.000
Total tokenuri de ieșire
2,596
Total tokenuri de intrare
33,744
Preț de intrare
$0.000 / 1M
Preț de ieșire
$0.000 / 1M
Teste instabile
1
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
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 14:27 Test nou adăugat | 4.3 | N/D | $0.000 | Rularea curentă | |
| 2026-05-22 00:40 Suită modificată | 5.4 | N/D | $0.000 | Compară | |
| 2026-04-22 12:55 Prima rulare înregistrată | 5.2 | N/D | $0.000 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-06-04 14:27 · Rularea curentă | 21/22 teste · 63/66 încercări | 4.3 | 9.2 | N/D | 6/21 | 1 | 2,596 | 33,744 | $0.000 | 1.27s |
| 2026-05-22 00:40 · Suită modificată | 20/20 teste · 60/60 încercări | 5.4 | 9.6 | N/D | 6/19 | 1 | 2,596 | 0 | $0.000 | 1.27s |
| Diferență | — | -1.1 | -0.4 | -1 | 0 | 0 | +33744 | $0.000 | 0ms |
Acoperirea benchmark diferă: 21/21 teste · 63/63 încercări (Țintă: 3 repetări per test) față de 20/20 teste · 60/60 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.
Alege primul model, apoi fă clic pe al doilea model pentru a deschide o pagină alăturată.
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 6.6 | 10.0 | |
| Programare | 3.7 | 7.8 | |
| Combinat | 1.5 | 5.0 | |
| Parsare și extragere de date | 6.5 | 10.0 | |
| Specific domeniului | 3.0 | 10.0 | |
| Inteligență generală | 4.3 | 10.0 | |
| Respectarea instrucțiunilor | 9.8 | 10.0 | |
| Rezolvare de puzzle-uri | 5.3 | 10.0 | |
| Apelare instrumente | 3.0 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |