#11 GPT-5.5
medium- Cost
- $0.112
- Timp
- 71.9s
- Tokenuri
- 3,807 tok
OpenAI
Lansare: 2026-04-24
Testat la: 2026-05-22 00:21
openai/gpt-5.5::medium
~1.5T în total (~100B activi)MoEÎnchisEstimat
Rezumat
GPT-5.5 obține 8.7 pe AI BENCHY și este pe #11. Are fiabilitate 10.0, rată de reușită 86.7%, cost total $3.503 și timp mediu de răspuns 37.89s.
Date despre model
Documentat la 2026-08-12
- Parametri
- ~1.5T în total (~100B activi)
- Arhitectură
- MoE
- Disponibilitate
- Închis
- Licență
- -
Cea mai bună estimare bazată pe informații publice; furnizorul nu a dezvăluit toate valorile.
8.7
Consistență
8.8
10.0
$3.503
Total tokenuri de ieșire
111,483
Total tokenuri de intrare
0
Preț de intrare
$5.000 / 1M
Preț de ieșire
$30.000 / 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 02:22 Retestare | 9.0 | 10.0 | $4.163 | Compară | |
| 2026-07-16 22:37 Test nou adăugat | 9.0 | 10.0 | $4.137 | Compară | |
| 2026-06-04 13:48 Test nou adăugat | 8.8 | 10.0 | $3.679 | Compară | |
| 2026-05-22 00:21 Suită modificată | 8.7 | 10.0 | $3.503 | Rularea curentă | |
| 2026-04-24 20:23 Prima rulare | 9.0 | N/D | $2.884 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:21 · Suită modificată | 60/60 încercări | 8.7 | 8.8 | 10.0 | 16/20 | 3 | 111,483 | 0 | $3.503 | 37.89s |
| 2026-06-04 13:48 · Test nou adăugat | 63/63 încercări | 8.8 | 8.9 | 10.0 | 17/21 | 3 | 116,910 | 34,212 | $3.679 | 37.98s |
| Diferență | — | -0.1 | -0.1 | 0.0 | -1 | 0 | -5427 | -34212 | -$0.176 | -95ms |
Acoperirea benchmark diferă: 60/60 încercări (Țintă: 3 repetări per test) față de 63/63 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
GPT-5.5mediumvsGemini 3.5 FlashmediumGPT-5.5mediumvsQwen3.8 MaxmediumGPT-5.5mediumvsClaude Fable 5.1highGPT-5.5mediumvsGrok 4.5highGPT-5.5mediumvsQwen3.7 MaxmediumGPT-5.5mediumvsGPT-5.3-CodexmediumGPT-5.5mediumvsSeed 2.1 TurbolowGPT-5.5mediumvsMuse Spark 1.3highGPT-5.5mediumvsGemini 3.8 FlashmediumGPT-5.5mediumvsSeed 2.1 Turbohigh
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 10.0 | 10.0 | |
| Programare | 8.2 | 6.7 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 5.3 | 7.2 | |
| Inteligență generală | 10.0 | 10.0 | |
| Respectarea instrucțiunilor | 10.0 | 10.0 | |
| Rezolvare de puzzle-uri | 10.0 | 10.0 | |
| Apelare instrumente | 10.0 | 10.0 | |
| Cultură generală | 2.8 | 1.6 |