Advertise here
#55

Pareto 26.9

Unbiased Lansare: 2026-10-15 Testat la: 2026-10-15 11:59 unbiased/pareto-26.9::none
-AltulÎnchis

Rezumat

Pareto 26.9 obține 8.9 pe AI BENCHY și este pe #55. Are fiabilitate 10.0, rată de reușită 79.7%, cost total $1.864 și timp mediu de răspuns 28.26s.

Ce face Pareto 26.9 unic: Se remarcă cel mai mult la Specific domeniului, unde este pe #2, iar Cultură generală este zona cea mai slabă, la #16.

Date despre model

Documentat la 2026-10-15

Parametri
-
Arhitectură
Altul
Disponibilitate
Închis
Licență
-
Sursa parametrilor 1 Sursa parametrilor 2 Sursa parametrilor 3 Sursa disponibilității

Scor

8.9

Consistență

8.1

Fiabilitate

10.0

Cost total (preț curent)

$1.864

Total tokenuri de ieșire

175,696

Total tokenuri de intrare

218,199

Preț de intrare

$2.500 / 1M

Preț de ieșire

$7.500 / 1M

Preț citire cache

$0.250 / 1M

Preț scriere cache

N/D

Prețurile de cache se aplică tokenurilor de intrare. Citirea reutilizează prompturi salvate; scrierea le stochează și poate costa în plus. Tokenurile de ieșire folosesc prețul de ieșire.

Teste corecte

Teste greșite: 8

Rată de trecere pe încercare: 79.7%

Teste instabile

6

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

Timp de răspuns (mediu)

28.26s

Timp de răspuns (maxim): 151.76s

Timp de răspuns (total): 649.90s

Răspuns greșit: 6 Nu a urmat instrucțiunile: 1 Apel de instrument invalid: 1

Hamster playing table tennis

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

#55 Pareto 26.9

default
Cost
$0.038
Timp
109.6s
Tokenuri
5,118 tok

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

Pareto 26.9defaultvsClaude Fable 5mediumPareto 26.9defaultvsQwen3.8 MAXlowPareto 26.9defaultvsMuse Spark 1.1mediumPareto 26.9defaultvsGPT-5.4mediumPareto 26.9defaultvsMuse Spark 1.2mediumPareto 26.9defaultvsDeepSeek V4.1 FlashhighPareto 26.9defaultvsMuse Spark 1.2highPareto 26.9defaultvsDeepSeek V4.1 FlashmediumPareto 26.9defaultvsGLM 5.3 FlashmaxPareto 26.9defaultvsMuse Spark 1.2low

Defalcare pe categorii

Categorie Scor Consistență Teste corecte
Sarcini agentice 10.0 10.0
Trucuri anti-AI 7.5 8.4
Programare 10.0 10.0
Combinat 8.2 6.9
Parsare și extragere de date 10.0 10.0
Specific domeniului 5.9 7.2
Inteligență generală 6.5 3.4
Respectarea instrucțiunilor 9.8 10.0
Rezolvare de puzzle-uri 8.2 7.3
Apelare instrumente 10.0 10.0
Cultură generală 2.8 1.6

Modele comparate