#51 MoonshotAI: Kimi K2.5
medium- Cost
- $0.030
- Timp
- 58.6s
- Tokenuri
- 8,683 tok
Moonshot AI
Lansare: 2026-01-27
Testat la: 2026-04-20 17:48
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 #51. Are fiabilitate N/D, rată de reușită 72.2%, cost total $0.220 și timp mediu de răspuns 72.43s.
Ce face Kimi K2.5 unic: Se remarcă cel mai mult la Combinat, unde este pe #1, iar Programare este zona cea mai slabă, la #18.
Date despre model
Documentat la 2026-08-12
- Parametri
- 1T în total (32B activi)
- Arhitectură
- MoE
- Disponibilitate
- Ponderi disponibile
- Licență
- Modified MIT
7.0
Consistență
6.8
N/D
$0.220
Total tokenuri de ieșire
127,046
Total tokenuri de intrare
0
Preț de intrare
$0.440 / 1M
Preț de ieșire
$2.000 / 1M
Teste instabile
7
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 02:00 Retestare | 7.0 | 10.0 | $0.607 ↑ | Compară | |
| 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 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-20 17:48 · Prima rulare înregistrată | 54/54 încercări | 7.0 | 6.8 | N/D | 9/18 | 7 | 127,046 | 0 | $0.220 | 72.43s |
| 2026-07-16 22:17 · Test nou adăugat | 66/66 încercări | 7.0 | 7.0 | 10.0 | 10/22 | 8 | 227,367 | 118,448 | $0.600 | 99.00s |
| Diferență | — | 0.0 | -0.2 | -1 | -1 | -100321 | -118448 | -$0.380 | -26575ms |
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
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 | 4.7 | 1.6 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 3.5 | 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 |