#61 Grok 4.20 Multi Agent Beta
medium- Cost
- $0.261
- Time
- 123.4s
- Tokens
- 199,344 tok
X AI
اجرا: 2026-03-12
ٹیسٹ کیا گیا: 2026-04-11 01:19
x-ai/grok-4.20-multi-agent-beta::medium
خلاصہ
Grok 4.20 Multi Agent Beta AI BENCHY پر 6.4 اسکور کرتا ہے اور #61 پر ہے۔ اس کی reliability دستیاب نہیں، pass rate 57.4%، کل لاگت $5.074، اور اوسط response time 9.80s ہے۔
Grok 4.20 Multi Agent Beta کو منفرد کیا بناتا ہے: یہ کوڈنگ میں سب سے نمایاں ہے، جہاں اس کا rank #1 ہے؛ جبکہ ڈومین مخصوص اس کا کمزور ترین حصہ ہے، rank #16. یہ غیر معمولی طور پر زیادہ reasoning tokens استعمال کرتا ہے، جو سست یا مہنگے runs کی وجہ ہو سکتی ہے۔
آرکائیو شدہ ماڈل: اس ماڈل کو اب اپ ڈیٹ نہیں کیا جائے گا اور نئے ٹیسٹس پر ٹیسٹ نہیں کیا جائے گا
6.4
تسلسل
7.4
دستیاب نہیں
$5.074
کل آؤٹ پٹ ٹوکنز
608,704
کل ان پٹ ٹوکنز
0
ان پٹ قیمت
$0.000 / 1M
آؤٹ پٹ قیمت
$0.000 / 1M
غیر مستحکم ٹیسٹ
6
غیر مستحکم ٹیسٹس میں رنز کے درمیان ملے جلے نتائج آئے (کم از کم ایک کامیاب اور ایک ناکام).
Generation showcase
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 |
|---|---|---|---|---|---|
| 2026-05-06 14:16 دوبارہ ٹیسٹ | 6.6 | دستیاب نہیں | $5.599 ↑ | موازنہ کریں | |
| 2026-05-06 14:16 دوبارہ ٹیسٹ | 6.6 | دستیاب نہیں | $5.074 | موازنہ کریں | |
| 2026-05-06 14:16 سوٹ بدل گیا | 6.6 | دستیاب نہیں | $5.074 | موازنہ کریں | |
| 2026-04-11 01:19 پہلا ریکارڈ شدہ رن | 6.4 | دستیاب نہیں | $5.074 | موجودہ رن |
رن موازنہ
| رن | اسکور | تسلسل | اعتماد پذیری | درست ٹیسٹس | غیر مستحکم ٹیسٹ | کل آؤٹ پٹ ٹوکنز | کل ان پٹ ٹوکنز | کل لاگت | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-04-11 01:19 · پہلا ریکارڈ شدہ رن | 6.4 | 7.4 | دستیاب نہیں | 7/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| 2026-05-06 14:16 · سوٹ بدل گیا | 6.6 | 7.4 | دستیاب نہیں | 8/18 | 6 | 608,704 | 0 | $5.074 | 9.80s |
| فرق | -0.2 | 0.0 | -1 | 0 | 0 | 0 | $0.000 | 0ms |
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
زمرہ وار تفصیل
| زمرہ | اسکور | تسلسل | درست ٹیسٹس |
|---|---|---|---|
| اینٹی اے آئی چالیں | 6.9 | 5.8 | |
| کوڈنگ | 10.0 | 10.0 | |
| مشترکہ | 3.0 | 10.0 | |
| ڈیٹا پارسنگ اور استخراج | 10.0 | 10.0 | |
| ڈومین مخصوص | 2.9 | 7.2 | |
| عمومی ذہانت | 5.8 | 2.8 | |
| ہدایات کی پیروی | 8.3 | 10.0 | |
| پہیلی حل کرنا | 7.2 | 5.1 | |
| ٹول کالنگ | 3.0 | 10.0 |