#52 xAI: Grok 4.20
medium- Cost
- $0.041
- Timp
- 110.3s
- Tokenuri
- 16,336 tok
X AI
Lansare: 2026-03-31
Testat la: 2026-04-11 01:44
x-ai/grok-4.20::medium
~1T în total (~100B activi)MoEÎnchisEstimat
(medium)
(none)
Rezumat
Grok 4.20 obține 7.0 pe AI BENCHY și este pe #52. Are fiabilitate N/D, rată de reușită 66.7%, cost total $0.743 și timp mediu de răspuns 10.33s.
Ce face Grok 4.20 unic: Se remarcă cel mai mult la Combinat, unde este pe #1, iar Programare este zona cea mai slabă, la #18. Este vizibil rapid față de modele similare.
Notă de identitate
Grok 4.20 Beta a fost versiunea preview a lui Grok 4.20.
Date despre model
Documentat la 2026-08-12
- Parametri
- ~1T în total (~100B activi)
- Arhitectură
- MoE
- Disponibilitate
- Închis
- Licență
- -
Cea mai bună estimare bazată pe informații publice; furnizorul nu a dezvăluit toate valorile.
7.0
Consistență
7.8
N/D
$0.743
Total tokenuri de ieșire
111,626
Total tokenuri de intrare
0
Preț de intrare
$2.000 / 1M
Preț de ieșire
$6.000 / 1M
Teste instabile
5
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 02:57 Retestare | 7.0 | 10.0 | $0.805 ↓ | Compară | |
| 2026-07-16 23:07 Test nou adăugat | 7.1 | 10.0 | $0.777 ↓ | Compară | |
| 2026-06-04 14:17 Test nou adăugat | 7.1 | 10.0 | $0.609 ↓ | Compară | |
| 2026-05-22 00:32 Suită modificată | 6.7 | 10.0 | $0.832 | Compară | |
| 2026-05-08 15:32 Suită modificată | 6.9 | 10.0 | $0.756 | Compară | |
| 2026-04-11 01:44 Prima rulare înregistrată | 7.0 | N/D | $0.743 | 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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-11 01:44 · Prima rulare înregistrată | 54/54 încercări | 7.0 | 7.8 | N/D | 9/18 | 5 | 111,626 | 0 | $0.743 | 10.33s |
| 2026-05-22 00:32 · Suită modificată | 60/60 încercări | 6.7 | 8.0 | 10.0 | 10/20 | 5 | 158,105 | 0 | $0.832 | 19.09s |
| Diferență | — | +0.3 | -0.2 | -1 | 0 | -46479 | 0 | -$0.089 | -8767ms |
Acoperirea benchmark diferă: 54/54 încercări (Țintă: 3 repetări per test) față de 60/60 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
Grok 4.20mediumvsMercury 2mediumGrok 4.20mediumvsSeed-2.0-MinimediumGrok 4.20mediumvsGPT-5.5noneGrok 4.20mediumvsKimi K2.5mediumGrok 4.20mediumvsGLM 5.1mediumGrok 4.20mediumvsKAT-Coder-Pro V2.5mediumGrok 4.20mediumvsDeepSeek V3.2mediumGrok 4.20mediumvsQwen3.7 FlashmediumGrok 4.20mediumvsGPT-5.6 SolnoneGrok 4.20mediumvsSeed-2.0-Codehigh
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 8.2 | 7.9 | |
| Programare | 4.3 | 1.1 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 5.3 | 10.0 | |
| Inteligență generală | 5.8 | 2.8 | |
| Respectarea instrucțiunilor | 7.3 | 5.9 | |
| Rezolvare de puzzle-uri | 6.4 | 7.7 | |
| Apelare instrumente | 3.0 | 10.0 |