#80 Grok 4.20 Multi Agent Beta
medium- Cost
- $0.261
- Time
- 123.4s
- Tokens
- 199,344 tok
X AI
Lansare: 2026-03-12
Testat la: 2026-05-06 14:16
x-ai/grok-4.20-multi-agent-beta::medium
Rezumat
Grok 4.20 Multi Agent Beta obține 6.6 pe AI BENCHY și este pe #80. Are fiabilitate N/D, rată de reușită 63.0%, cost total $5.074 și timp mediu de răspuns 9.80s.
Ce face Grok 4.20 Multi Agent Beta unic: Se remarcă cel mai mult la Programare, unde este pe #1, iar Apelare instrumente este zona cea mai slabă, la #11. Folosește neobișnuit de multe tokenuri de raționament, ceea ce poate explica rulări mai lente sau mai scumpe.
Model arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
6.6
Consistență
7.4
N/D
$5.074
Total tokenuri de ieșire
608,704
Total tokenuri de intrare
0
Preț de intrare
$0.000 / 1M
Preț de ieșire
$0.000 / 1M
Teste instabile
6
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
Generation showcase
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 |
|---|---|---|---|---|---|
| 2026-05-06 14:16 Retestare | 6.6 | N/D | $5.599 ↑ | Compară | |
| 2026-05-06 14:16 Retestare | 6.6 | N/D | $5.074 | Compară | |
| 2026-05-06 14:16 Suită modificată | 6.6 | N/D | $5.074 | Rularea curentă | |
| 2026-04-11 01:19 Prima rulare înregistrată | 6.4 | N/D | $5.074 | Compară |
Această rulare a folosit o suită de benchmark diferită. Ține cont de schimbările suitei când interpretezi evoluția istorică.
Comparație între rulări
| Rulare | Scor | Consistență | Fiabilitate | Teste corecte | Teste instabile | Total tokenuri de ieșire | Total tokenuri de intrare | Cost total | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-06 14:16 · Suită modificată | 6.6 | 7.4 | N/D | 8/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| 2026-04-11 01:19 · Prima rulare înregistrată | 6.4 | 7.4 | N/D | 7/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| Diferență | +0.2 | 0.0 | +1 | 0 | 0 | 0 | $0.000 | 0ms |
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
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 6.9 | 5.8 | |
| Programare | 10.0 | 10.0 | |
| Combinat | 3.0 | 10.0 | |
| Parsare și extragere de date | 10.0 | 10.0 | |
| Specific domeniului | 2.9 | 7.2 | |
| Inteligență generală | 5.8 | 2.8 | |
| Respectarea instrucțiunilor | 9.8 | 10.0 | |
| Rezolvare de puzzle-uri | 7.2 | 5.1 | |
| Apelare instrumente | 3.0 | 10.0 |