#90 Mercury 2
medium- لاگت
- $0.002
- وقت
- 2.1s
- ٹوکنز
- 1,702 tok
Inception
اجرا: 2026-02-24
ٹیسٹ کیا گیا: 2026-05-22 00:40
inception/mercury-2::medium
~100Bدیگربند ماخذتخمینہ
(medium)
(none)
خلاصہ
Mercury 2 AI BENCHY پر 6.3 اسکور کرتا ہے اور #90 پر ہے۔ اس کی reliability 10.0، pass rate 50.0%، کل لاگت $0.055، اور اوسط response time 2.27s ہے۔
Mercury 2 کو منفرد کیا بناتا ہے: یہ ملتے جلتے models کے مقابلے میں نمایاں طور پر تیز ہے۔
ماڈل کی تفصیلات
تحقیق کی تاریخ: 2026-08-12
- پیرامیٹرز
- ~100B
- ساخت
- دیگر
- دستیابی
- بند ماخذ
- لائسنس
- -
عوامی شواہد کی بنیاد پر بہترین تخمینہ؛ فراہم کنندہ نے تمام اقدار ظاہر نہیں کیں۔
6.3
تسلسل
8.4
10.0
$0.055
کل آؤٹ پٹ ٹوکنز
62,397
کل ان پٹ ٹوکنز
0
ان پٹ قیمت
$0.250 / 1M
آؤٹ پٹ قیمت
$0.750 / 1M
غیر مستحکم ٹیسٹ
4
غیر مستحکم ٹیسٹس میں رنز کے درمیان ملے جلے نتائج آئے (کم از کم ایک کامیاب اور ایک ناکام).
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
رن ہسٹری
| ٹیسٹ کیا گیا | اسکور | اعتماد پذیری | درست ٹیسٹس | کل لاگت | موازنہ کریں |
|---|---|---|---|---|---|
| 2026-08-14 03:05 دوبارہ ٹیسٹ | 7.0 | 10.0 | $0.094 | موازنہ کریں | |
| 2026-07-16 23:14 نیا ٹیسٹ شامل ہوا | 7.0 | 10.0 | $0.093 | موازنہ کریں | |
| 2026-06-04 14:27 نیا ٹیسٹ شامل ہوا | 6.6 | 10.0 | $0.058 | موازنہ کریں | |
| 2026-05-22 00:40 دوبارہ ٹیسٹ | 6.3 | 10.0 | $0.055 | موجودہ رن | |
| 2026-04-11 01:44 پہلا ریکارڈ شدہ رن | 6.5 | دستیاب نہیں | $0.047 | موازنہ کریں |
رن موازنہ
| رن | بینچ مارک کوریج | اسکور | تسلسل | اعتماد پذیری | درست ٹیسٹس | غیر مستحکم ٹیسٹ | کل آؤٹ پٹ ٹوکنز | کل ان پٹ ٹوکنز | کل لاگت | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:40 · دوبارہ ٹیسٹ | 60/60 کوششیں | 6.3 | 8.4 | 10.0 | 8/20 | 4 | 62,397 | 0 | $0.055 | 2.27s |
| 2026-06-04 14:27 · نیا ٹیسٹ شامل ہوا | 63/63 کوششیں | 6.6 | 8.8 | 10.0 | 10/21 | 3 | 65,267 | 35,116 | $0.058 | 2.24s |
| فرق | — | -0.4 | -0.4 | 0.0 | -2 | +1 | -2870 | -35116 | -$0.003 | +35ms |
بینچ مارک کوریج مختلف ہے: 60/60 کوششیں (ہدف: فی ٹیسٹ 3 دہرائیاں۔) بمقابلہ 63/63 کوششیں (ہدف: فی ٹیسٹ 3 دہرائیاں۔)۔ مجموعے اور تکرار سے متاثر ہونے والے پیمانے براہ راست قابل موازنہ نہیں ہیں۔
ان دو رنز میں مختلف بینچ مارک سوٹس استعمال ہوئے تھے، اس لیے فرق میں ماڈل کی تبدیلی اور سوٹ کی تبدیلی دونوں شامل ہیں۔
چارٹس
پہلا ماڈل منتخب کریں، پھر دوسرا ماڈل کلک کریں تاکہ سائیڈ بائی سائیڈ صفحہ کھلے۔
اسکور کے لحاظ سے سرفہرست ماڈلز
اسکور vs کل لاگت
ردِعمل کا وقت (اوسط)
اسکور vs ردِعمل کا وقت (اوسط)
کل آؤٹ پٹ ٹوکنز
اسکور vs کل آؤٹ پٹ ٹوکنز
فوری موازنہ
Mercury 2mediumvsGPT-5.5noneMercury 2mediumvsGrok 4.20mediumMercury 2mediumvsGLM 5.1mediumMercury 2mediumvsSeed-2.0-MinimediumMercury 2mediumvsDeepSeek V3.2mediumMercury 2mediumvsKimi K2.5mediumMercury 2mediumvsGPT-5.6 SolnoneMercury 2mediumvsKAT-Coder-Pro V2.5mediumMercury 2mediumvsGrok 4.3mediumMercury 2mediumvsClaude Fable 5.1low
زمرہ وار تفصیل
| زمرہ | اسکور | تسلسل | درست ٹیسٹس |
|---|---|---|---|
| اینٹی اے آئی چالیں | 6.9 | 9.9 | |
| کوڈنگ | 7.2 | 6.5 | |
| مشترکہ | 10.0 | 10.0 | |
| ڈیٹا پارسنگ اور استخراج | 7.3 | 5.9 | |
| ڈومین مخصوص | 2.9 | 7.2 | |
| عمومی ذہانت | 4.8 | 10.0 | |
| ہدایات کی پیروی | 10.0 | 10.0 | |
| پہیلی حل کرنا | 3.8 | 7.3 | |
| ٹول کالنگ | 10.0 | 10.0 | |
| معلومات عامہ | 3.0 | 10.0 |