AI BENCHY
Advertise here
#18

GPT-5.4

OpenAI Lansare: 2026-03-05 Testat la: 2026-07-16 22:34 openai/gpt-5.4::medium
(medium) (none)

Rezumat

GPT-5.4 obține 8.5 pe AI BENCHY și este pe #18. Are fiabilitate 10.0, rată de reușită 77.3%, cost total $1.533 și timp mediu de răspuns 23.10s.

Scor

8.5

Consistență

8.6

Fiabilitate

10.0

Cost total (preț curent)

$1.533

Total tokenuri de ieșire

88,670

Total tokenuri de intrare

81,127

Preț de intrare

$2.500 / 1M

Preț de ieșire

$15.000 / 1M

Teste corecte

Teste greșite: 7

Rată de trecere pe încercare: 77.3%

Teste instabile

4

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

Timp de răspuns (mediu)

23.10s

Timp de răspuns (maxim): 100.41s

Timp de răspuns (total): 508.26s

Răspuns greșit: 5 Nu a urmat instrucțiunile: 2

Hamster playing table tennis

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

#18 GPT-5.4

medium
Cost
$0.214
Timp
199.6s
Tokenuri
14,349 tok

Istoric rulări

Testat la Scor Fiabilitate Teste corecte Cost total Compară
2026-07-16 22:34 Test nou adăugat 8.5 10.0 $1.533 Rularea curentă
2026-06-04 13:46 Test nou adăugat 8.0 10.0 $1.210 Compară
2026-05-22 00:19 Suită modificată 7.9 10.0 $1.140 Compară
2026-04-11 01:44 Prima rulare înregistrată 8.2 N/D $0.832 Compară

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

Istoric prețuri

Date istorice de preț pentru acest model de la OpenRouter.

Dată Preț de intrare Preț de ieșire
2026-06-04 15:40 $2.500 / 1M $15.000 / 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

GPT-5.4mediumvsClaude Fable 5mediumGPT-5.4mediumvsQwen3.6 Max PreviewmediumGPT-5.4mediumvsMuse Spark 1.1mediumGPT-5.4mediumvsGrok 4.5lowGPT-5.4mediumvsClaude Opus 4.7mediumGPT-5.4mediumvsGPT-5.2mediumGPT-5.4mediumvsGemini 3 Flash PreviewmediumGPT-5.4mediumvsGemini 3.5 FlashhighGPT-5.4mediumvsNemotron 3 UltramediumDisponibil gratuitGPT-5.4mediumvsGPT-5.5low

Defalcare pe categorii

Categorie Scor Consistență Teste corecte
Trucuri anti-AI 8.3 10.0
Programare 8.8 7.8
Combinat 10.0 10.0
Parsare și extragere de date 10.0 10.0
Specific domeniului 5.3 7.2
Inteligență generală 4.7 3.1
Respectarea instrucțiunilor 10.0 10.0
Rezolvare de puzzle-uri 8.2 7.2
Apelare instrumente 10.0 10.0
Cultură generală 3.0 10.0

Modele comparate