8.4
Consistență
8.8
N/D
$0.497
Total tokenuri de ieșire
245,000
Preț de intrare
$0.195 / 1M
Preț de ieșire
$1.560 / 1M
Teste instabile
3
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
Istoric rulări
| Testat la | Scor | Fiabilitate | Teste corecte | Cost total | Compară |
|---|---|---|---|---|---|
| 2026-05-22 00:04 Suită modificată | 7.9 | 10.0 | $0.607 | Compară | |
| 2026-04-11 01:44 Prima rulare înregistrată | 8.4 | N/D | $0.497 | Rularea curentă |
Comparație între rulări
| Rulare | Scor | Consistență | Fiabilitate | Teste corecte | Teste instabile | Total tokenuri de ieșire | Cost total | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|---|
| 2026-04-11 01:44 · Prima rulare înregistrată | 8.4 | 8.8 | N/D | 13/18 | 3 | 245,000 | $0.497 | 53.03s |
| 2026-05-22 00:04 · Suită modificată | 7.9 | 8.9 | 10.0 | 13/20 | 3 | 314,583 | $0.607 | 60.85s |
| Diferență | +0.5 | -0.1 | 0 | 0 | -69583 | -$0.110 | -7821ms |
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.
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
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 8.7 | 7.9 | |
| Programare | 10.0 | 10.0 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 5.3 | 10.0 | |
| Inteligență generală | 6.1 | 3.1 | |
| Respectarea instrucțiunilor | 10.0 | 10.0 | |
| Rezolvare de puzzle-uri | 8.2 | 7.7 | |
| Apelare instrumente | 10.0 | 10.0 |