#77 xAI: Grok 4.20
medium- Cost
- $0.041
- Timp
- 110.3s
- Tokenuri
- 16,336 tok
Rezumat
Grok 4.20 obține 6.7 pe AI BENCHY și este pe #77. Are fiabilitate 10.0, rată de reușită 61.7%, cost total $0.832 și timp mediu de răspuns 19.09s.
Notă de identitate
Grok 4.20 Beta a fost versiunea preview a lui Grok 4.20.
6.7
Consistență
8.0
10.0
$0.832
Total tokenuri de ieșire
158,105
Total tokenuri de intrare
0
Preț de intrare
$1.250 / 1M
Preț de ieșire
$2.500 / 1M
Teste instabile
5
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
Prezentare generare
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 |
|---|---|---|---|---|---|
| 2026-06-04 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 | Rularea curentă | |
| 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 | Compară |
Această rulare a folosit o suită de benchmark diferită. Ține cont de schimbările suitei când interpretezi evoluția istorică.
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
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 8.2 | 7.9 | |
| Programare | 4.1 | 1.8 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 5.3 | 10.0 | |
| Inteligență generală | 3.9 | 2.6 | |
| Respectarea instrucțiunilor | 7.3 | 6.0 | |
| Rezolvare de puzzle-uri | 7.7 | 10.0 | |
| Apelare instrumente | 3.0 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |