#67 MiMo-V2-Flash
medium
SVG invalid
- Cost
- $0.020
- Timp
- 284.1s
- Tokenuri
- 65,689 tok
Xiaomi
Lansare: 2025-12-16
Testat la: 2026-05-22 00:20
xiaomi/mimo-v2-flash::medium
309B în total (15B activi)MoESursă deschisă
(medium)
(none)
Rezumat
MiMo-V2-Flash obține 7.1 pe AI BENCHY și este pe #67. Are fiabilitate 10.0, rată de reușită 63.3%, cost total $0.038 și timp mediu de răspuns 20.26s.
Ce face MiMo-V2-Flash unic: Se remarcă cel mai mult la Specific domeniului, unde este pe #1, iar Programare este zona cea mai slabă, la #18. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
Model arhivat: acest model nu mai este actualizat și nu mai este testat pe teste noi.
Date despre model
Documentat la 2026-08-12
- Parametri
- 309B în total (15B activi)
- Arhitectură
- MoE
- Disponibilitate
- Sursă deschisă
- Licență
- MIT
7.1
Consistență
8.7
10.0
$0.038
Total tokenuri de ieșire
127,609
Total tokenuri de intrare
0
Preț de intrare
$0.100 / 1M
Preț de ieșire
$0.300 / 1M
Teste instabile
3
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 |
|---|---|---|---|---|---|
| 2026-06-04 13:48 Test nou adăugat | 6.3 | 10.0 | $0.043 ↑ | Compară | |
| 2026-05-22 00:20 Suită modificată | 7.1 | 10.0 | $0.038 | Rularea curentă | |
| 2026-04-11 01:44 Prima rulare înregistrată | 7.5 | N/D | $0.038 | Compară |
Această rulare a folosit o suită de benchmark diferită. Ține cont de schimbările suitei când interpretezi evoluția istorică.
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) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:20 · Suită modificată | 60/60 încercări | 7.1 | 8.7 | 10.0 | 11/20 | 3 | 127,609 | 0 | $0.038 | 20.26s |
| 2026-04-11 01:44 · Prima rulare înregistrată | 54/54 încercări | 7.5 | 8.6 | N/D | 11/18 | 3 | 127,569 | 0 | $0.038 | 23.36s |
| Diferență | — | -0.4 | +0.1 | 0 | 0 | +40 | 0 | +$0.001 | -3099ms |
Acoperirea benchmark diferă: 60/60 încercări (Țintă: 3 repetări per test) față de 54/54 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
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 8.1 | 7.9 | |
| Programare | 4.1 | 5.8 | |
| Combinat | 9.8 | 10.0 | |
| Parsare și extragere de date | 6.5 | 10.0 | |
| Specific domeniului | 5.9 | 7.2 | |
| Inteligență generală | 4.0 | 10.0 | |
| Respectarea instrucțiunilor | 10.0 | 10.0 | |
| Rezolvare de puzzle-uri | 7.7 | 10.0 | |
| Apelare instrumente | 10.0 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |