AI BENCHY
Advertise here
#122

Kimi K2.5

Moonshot AI Lansare: 2026-01-27 Testat la: 2026-08-14 02:00 moonshotai/kimi-k2.5::medium
1T în total (32B activi)MoEPonderi disponibile
(medium) (none)

Rezumat

Kimi K2.5 obține 7.0 pe AI BENCHY și este pe #122. Are fiabilitate 10.0, rată de reușită 63.6%, cost total $0.607 și timp mediu de răspuns 98.19s.

Ce face Kimi K2.5 unic: Se remarcă cel mai mult la Inteligență generală, unde este pe #4, iar Rezolvare de puzzle-uri este zona cea mai slabă, la #16.

Date despre model

Documentat la 2026-08-12

Raportat
Parametri
1T în total (32B activi)
Arhitectură
MoE
Disponibilitate
Ponderi disponibile
Licență
Modified MIT
Sursa parametrilor Sursa disponibilității

Scor

7.0

Consistență

7.0

Fiabilitate

10.0

Cost total (preț curent)

$0.607 ↑ +25.1%

Testat la: $0.485

Total tokenuri de ieșire

220,942

Total tokenuri de intrare

118,496

Preț de intrare

$0.571 / 1M

Preț de ieșire

$2.850 / 1M

Teste corecte

Teste greșite: 12

Rată de trecere pe încercare: 63.6%

Teste instabile

8

Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).

Timp de răspuns (mediu)

98.19s

Timp de răspuns (maxim): 281.00s

Timp de răspuns (total): 1571.05s

Răspuns greșit: 5 Nu a urmat instrucțiunile: 2 Fără răspuns: 2 Timp expirat: 2 Apel de instrument invalid: 1

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#122 MoonshotAI: Kimi K2.5

medium
Cost
$0.030
Timp
58.6s
Tokenuri
8,683 tok

Istoric rulări

Testat la Scor Fiabilitate Teste corecte Cost total Compară
2026-08-14 02:00 Retestare 7.0 10.0 $0.607 ↑ Rularea curentă
2026-07-16 22:17 Test nou adăugat 7.0 10.0 $0.600 ↑ Compară
2026-06-04 13:43 Test nou adăugat 6.8 10.0 $0.328 ↓ Compară
2026-05-22 00:12 Suită modificată 6.7 10.0 $0.314 Compară
2026-04-20 17:48 Prima rulare înregistrată 7.0 N/D $0.220 Compară

Această rulare a folosit o suită de benchmark diferită. Ține cont de schimbările suitei când interpretezi evoluția istorică.

Comparație între rulări

RulareAcoperire benchmarkScorConsistențăFiabilitateTeste corecteTeste instabileTotal tokenuri de ieșireTotal tokenuri de intrareCost totalTimp de răspuns (mediu)
2026-08-14 02:00 · Rularea curentă66/66 încercări7.07.010.010/228220,942118,496$0.60798.19s
2026-05-22 00:12 · Suită modificată60/60 încercări6.76.810.09/208174,8030$0.31489.36s
Diferență—+0.3+0.20.0+10+46139+118496+$0.294+8833ms

Acoperirea benchmark diferă: 66/66 încercări (Țintă: 3 repetări per test) față de 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.

Istoric prețuri

Date istorice de preț pentru acest model de la OpenRouter.

Dată Preț de intrare Preț de ieșire
2026-06-04 15:40 $0.400 / 1M $1.900 / 1M
2026-06-17 10:07 $0.375 / 1M $2.025 / 1M
2026-08-14 12:51 $0.571 / 1M $2.850 / 1M

Grafice

Alege primul model, apoi fă clic pe al doilea model pentru a deschide o pagină alăturată.

Total tokenuri de ieșire

Scor vs Total tokenuri de ieșire

Comparație rapidă

Kimi K2.5mediumvsSeed-2.0-MinimediumKimi K2.5mediumvsKAT-Coder-Pro V2.5mediumKimi K2.5mediumvsGrok 4.20mediumKimi K2.5mediumvsQwen3.7 FlashmediumKimi K2.5mediumvsMercury 2mediumKimi K2.5mediumvsSeed-2.0-CodehighKimi K2.5mediumvsGPT-5.5noneKimi K2.5mediumvsGemini 3.5 FlashnoneKimi K2.5mediumvsGLM 5.1mediumKimi K2.5mediumvsQwen3.6 Flashmedium

Defalcare pe categorii

Categorie Scor Consistență Teste corecte
Trucuri anti-AI 7.3 5.8
Programare 6.1 4.6
Combinat 6.7 9.1
Parsare și extragere de date 10.0 10.0
Specific domeniului 2.9 4.4
Inteligență generală 6.5 3.4
Respectarea instrucțiunilor 10.0 10.0
Rezolvare de puzzle-uri 5.3 7.3
Apelare instrumente 10.0 10.0
Cultură generală 3.0 10.0

Modele comparate