| #389#389 |
Inkling Smalllow
|
5.2… |
Thinkingmachines |
$0.055
↓
…
|
1.99s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 9 未遵循指令: 2 无效工具调用: 2 API 错误: 1
响应时间(平均)1.99s
响应时间(最大)5.82s
响应时间(总计)45.67s
…
|
- 总测试数
- 23
- 错误测试数
- 14
- 尝试通过率
- 47.8%
- 输入令牌
- 81,447
- 输出令牌
- 2,715
- 推理令牌
- 11,971
- 响应时间(平均)
- 1.99s
- 响应时间(总计)
- 45.67s
- 响应时间(最大)
- 5.82s
-
智能体任务
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)24ms
响应时间(最大)24ms
响应时间(总计)24ms
-
反AI技巧
: 9.2
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)1.81s
响应时间(最大)3.73s
响应时间(总计)7.25s
-
编程
: 4.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)3.70s
响应时间(最大)5.82s
响应时间(总计)11.10s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 答案错误: 1
响应时间(平均)4.08s
响应时间(最大)4.59s
响应时间(总计)8.15s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.25s
响应时间(最大)1.32s
响应时间(总计)2.50s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)852ms
响应时间(最大)918ms
响应时间(总计)2.56s
-
通用智能
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)1.42s
响应时间(最大)1.42s
响应时间(总计)1.42s
-
指令遵循
: 9.9
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.89s
响应时间(最大)2.18s
响应时间(总计)3.78s
-
谜题求解
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)1.56s
响应时间(最大)2.38s
响应时间(总计)4.68s
-
工具调用
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1
响应时间(平均)2.21s
响应时间(最大)2.21s
响应时间(总计)2.21s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)2.00s
响应时间(最大)2.00s
响应时间(总计)2.00s
|
| #388#388 |
Qwen3.6 35B A3Bnone
|
5.3… |
Qwen |
$0.105
↑
…
|
8.43s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 13 API 错误: 2 未遵循指令: 2 无效工具调用: 1 无答案: 1
响应时间(平均)8.43s
响应时间(最大)65.61s
响应时间(总计)176.93s
…
|
- 总测试数
- 23
- 错误测试数
- 19
- 尝试通过率
- 29.0%
- 输入令牌
- 272,479
- 输出令牌
- 40,677
- 推理令牌
- 23,104
- 响应时间(平均)
- 8.43s
- 响应时间(总计)
- 176.93s
- 响应时间(最大)
- 65.61s
-
智能体任务
: 5.2
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1
响应时间(平均)65.61s
响应时间(最大)65.61s
响应时间(总计)65.61s
-
反AI技巧
: 3.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 4
响应时间(平均)2.10s
响应时间(最大)6.15s
响应时间(总计)8.41s
-
编程
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)8.77s
响应时间(最大)22.52s
响应时间(总计)26.32s
-
综合
: 3.8
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1 无答案: 1
响应时间(平均)39.54s
响应时间(最大)39.54s
响应时间(总计)39.54s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.46s
响应时间(最大)2.03s
响应时间(总计)2.93s
-
领域专项
: 2.9
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)7.76s
响应时间(最大)12.46s
响应时间(总计)23.27s
-
通用智能
: 4.4
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)3.51s
响应时间(最大)3.51s
响应时间(总计)3.51s
-
指令遵循
: 6.2
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.86s
响应时间(最大)2.83s
响应时间(总计)3.73s
-
谜题求解
: 3.2
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 2 答案错误: 1
响应时间(平均)1.07s
响应时间(最大)1.24s
响应时间(总计)3.20s
-
工具调用
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)0ms
响应时间(最大)0ms
响应时间(总计)0ms
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)414ms
响应时间(最大)414ms
响应时间(总计)414ms
|
| #387#387 |
Laguna XS 2.1none
|
5.3… |
Poolside |
$0.020
…
|
4.56s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 14 无效工具调用: 2 未遵循指令: 1 超时: 1
响应时间(平均)4.56s
响应时间(最大)70.79s
响应时间(总计)104.80s
…
|
- 总测试数
- 23
- 错误测试数
- 18
- 尝试通过率
- 29.0%
- 输入令牌
- 270,072
- 输出令牌
- 23,173
- 推理令牌
- 0
- 响应时间(平均)
- 4.56s
- 响应时间(总计)
- 104.80s
- 响应时间(最大)
- 70.79s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1
响应时间(平均)70.79s
响应时间(最大)70.79s
响应时间(总计)70.79s
-
反AI技巧
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 未遵循指令: 1
响应时间(平均)755ms
响应时间(最大)2.30s
响应时间(总计)3.02s
-
编程
: 4.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)623ms
响应时间(最大)1.34s
响应时间(总计)1.87s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 答案错误: 1
响应时间(平均)10.39s
响应时间(最大)19.02s
响应时间(总计)20.78s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)768ms
响应时间(最大)824ms
响应时间(总计)1.54s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)303ms
响应时间(最大)379ms
响应时间(总计)910ms
-
通用智能
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)529ms
响应时间(最大)529ms
响应时间(总计)529ms
-
指令遵循
: 3.8
只有当某个测试的所有运行都通过时,才计为完全通过。
超时: 1 答案错误: 1
响应时间(平均)364ms
响应时间(最大)373ms
响应时间(总计)728ms
-
谜题求解
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)1.01s
响应时间(最大)1.92s
响应时间(总计)3.02s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.36s
响应时间(最大)1.36s
响应时间(总计)1.36s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)254ms
响应时间(最大)254ms
响应时间(总计)254ms
|
| #386#386 |
Qwen3.6 Max Previewnone已归档模型:该模型将不再更新,也不会在新测试中继续测试。
|
5.3… |
Qwen |
$0.228
↓
…
|
7.82s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 11
响应时间(平均)7.82s
响应时间(最大)102.62s
响应时间(总计)172.04s
…
|
- 总测试数
- 22
- 错误测试数
- 11
- 尝试通过率
- 53.6%
- 输入令牌
- 106,348
- 输出令牌
- 19,257
- 推理令牌
- 0
- 响应时间(平均)
- 7.82s
- 响应时间(总计)
- 172.04s
- 响应时间(最大)
- 102.62s
-
智能体任务
: 0.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)0ms
响应时间(最大)0ms
响应时间(总计)0ms
-
反AI技巧
: 5.2
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)2.63s
响应时间(最大)5.57s
响应时间(总计)10.53s
-
编程
: 3.8
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)3.12s
响应时间(最大)3.45s
响应时间(总计)9.35s
-
综合
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)61.56s
响应时间(最大)102.62s
响应时间(总计)123.12s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.87s
响应时间(最大)3.54s
响应时间(总计)5.74s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)1.23s
响应时间(最大)1.27s
响应时间(总计)3.70s
-
通用智能
: 4.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.62s
响应时间(最大)1.62s
响应时间(总计)1.62s
-
指令遵循
: 9.8
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.40s
响应时间(最大)1.46s
响应时间(总计)2.79s
-
谜题求解
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.65s
响应时间(最大)3.59s
响应时间(总计)7.94s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)5.27s
响应时间(最大)5.27s
响应时间(总计)5.27s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.97s
响应时间(最大)1.97s
响应时间(总计)1.97s
|
| #385#385 |
Ling 3.2 Flashnone
|
5.3… |
Inclusionai |
$0.000
…
|
106.63s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 7 答案错误: 6 无答案: 2 未遵循指令: 1 无效工具调用: 1 超时: 1
响应时间(平均)106.63s
响应时间(最大)952.17s
响应时间(总计)2452.59s
…
|
- 总测试数
- 23
- 错误测试数
- 18
- 尝试通过率
- 23.2%
- 输入令牌
- 311,998
- 输出令牌
- 77,048
- 推理令牌
- 0
- 响应时间(平均)
- 106.63s
- 响应时间(总计)
- 2452.59s
- 响应时间(最大)
- 952.17s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)139.16s
响应时间(最大)139.16s
响应时间(总计)139.16s
-
反AI技巧
: 3.5
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 3 答案错误: 1
响应时间(平均)16.73s
响应时间(最大)28.06s
响应时间(总计)66.94s
-
编程
: 4.0
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1 未遵循指令: 1 答案错误: 1
响应时间(平均)42.05s
响应时间(最大)82.25s
响应时间(总计)126.15s
-
综合
: 3.2
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 无答案: 1
响应时间(平均)157.97s
响应时间(最大)217.07s
响应时间(总计)315.94s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)4.35s
响应时间(最大)5.95s
响应时间(总计)8.69s
-
领域专项
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1 超时: 1 答案错误: 1
响应时间(平均)525.47s
响应时间(最大)952.17s
响应时间(总计)1576.40s
-
通用智能
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)4.50s
响应时间(最大)4.50s
响应时间(总计)4.50s
-
指令遵循
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1
响应时间(平均)11.16s
响应时间(最大)14.03s
响应时间(总计)22.32s
-
谜题求解
: 5.6
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1 答案错误: 1
响应时间(平均)9.61s
响应时间(最大)13.61s
响应时间(总计)28.84s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)45.74s
响应时间(最大)45.74s
响应时间(总计)45.74s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1
响应时间(平均)117.92s
响应时间(最大)117.92s
响应时间(总计)117.92s
|
| #384#384 |
Kimi K2.5none
|
5.3… |
Moonshot AI |
$0.262
↑
…
|
35.86s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 17 无答案: 1
响应时间(平均)35.86s
响应时间(最大)321.19s
响应时间(总计)609.61s
…
|
- 总测试数
- 23
- 错误测试数
- 18
- 尝试通过率
- 29.0%
- 输入令牌
- 275,349
- 输出令牌
- 49,377
- 推理令牌
- 12
- 响应时间(平均)
- 35.86s
- 响应时间(总计)
- 609.61s
- 响应时间(最大)
- 321.19s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)321.19s
响应时间(最大)321.19s
响应时间(总计)321.19s
-
反AI技巧
: 3.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 4
响应时间(平均)6.24s
响应时间(最大)11.38s
响应时间(总计)12.48s
-
编程
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)24.56s
响应时间(最大)38.78s
响应时间(总计)73.69s
-
综合
: 2.8
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1 答案错误: 1
响应时间(平均)61.00s
响应时间(最大)102.83s
响应时间(总计)121.99s
-
数据解析与提取
: 7.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)42.13s
响应时间(最大)42.13s
响应时间(总计)42.13s
-
领域专项
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)2.75s
响应时间(最大)4.38s
响应时间(总计)5.49s
-
通用智能
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)4.00s
响应时间(最大)4.00s
响应时间(总计)4.00s
-
指令遵循
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)2.67s
响应时间(最大)2.67s
响应时间(总计)2.67s
-
谜题求解
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)4.04s
响应时间(最大)7.81s
响应时间(总计)8.08s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)13.99s
响应时间(最大)13.99s
响应时间(总计)13.99s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)3.90s
响应时间(最大)3.90s
响应时间(总计)3.90s
|
| #383#383 |
Granite 4.2 8Blow
|
5.3… |
IBM Granite |
$0.036
…
|
58.20s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 11 超时: 3 未遵循指令: 1 无答案: 1
响应时间(平均)58.20s
响应时间(最大)566.80s
响应时间(总计)1338.65s
…
|
- 总测试数
- 23
- 错误测试数
- 16
- 尝试通过率
- 33.3%
- 输入令牌
- 332,917
- 输出令牌
- 18,989
- 推理令牌
- 42,362
- 响应时间(平均)
- 58.20s
- 响应时间(总计)
- 1338.65s
- 响应时间(最大)
- 566.80s
-
智能体任务
: 6.1
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)142.68s
响应时间(最大)142.68s
响应时间(总计)142.68s
-
反AI技巧
: 8.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)11.68s
响应时间(最大)40.72s
响应时间(总计)46.73s
-
编程
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)13.01s
响应时间(最大)27.71s
响应时间(总计)39.04s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1 超时: 1
响应时间(平均)298.21s
响应时间(最大)566.80s
响应时间(总计)596.42s
-
数据解析与提取
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.39s
响应时间(最大)2.27s
响应时间(总计)2.78s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)26.16s
响应时间(最大)77.41s
响应时间(总计)78.47s
-
通用智能
: 4.0
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)659ms
响应时间(最大)659ms
响应时间(总计)659ms
-
指令遵循
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
超时: 1 答案错误: 1
响应时间(平均)75.80s
响应时间(最大)150.25s
响应时间(总计)151.60s
-
谜题求解
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 超时: 1
响应时间(平均)90.84s
响应时间(最大)169.53s
响应时间(总计)272.52s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.23s
响应时间(最大)2.23s
响应时间(总计)2.23s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)5.53s
响应时间(最大)5.53s
响应时间(总计)5.53s
|
| #382#382 |
GPT-5.6 Lunanone
|
5.3… |
OpenAI |
$0.042
↓
…
|
3.78s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 15 额外格式: 1 无效工具调用: 1
响应时间(平均)3.78s
响应时间(最大)53.77s
响应时间(总计)86.83s
…
|
- 总测试数
- 23
- 错误测试数
- 17
- 尝试通过率
- 34.8%
- 输入令牌
- 230,744
- 输出令牌
- 8,000
- 推理令牌
- 0
- 响应时间(平均)
- 3.78s
- 响应时间(总计)
- 86.83s
- 响应时间(最大)
- 53.77s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)53.77s
响应时间(最大)53.77s
响应时间(总计)53.77s
-
反AI技巧
: 4.8
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)901ms
响应时间(最大)1.45s
响应时间(总计)3.60s
-
编程
: 3.8
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)980ms
响应时间(最大)1.57s
响应时间(总计)2.94s
-
综合
: 3.2
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 答案错误: 1
响应时间(平均)6.68s
响应时间(最大)10.57s
响应时间(总计)13.35s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)758ms
响应时间(最大)803ms
响应时间(总计)1.52s
-
领域专项
: 3.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)784ms
响应时间(最大)855ms
响应时间(总计)2.35s
-
通用智能
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.00s
响应时间(最大)1.00s
响应时间(总计)1.00s
-
指令遵循
: 7.1
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.23s
响应时间(最大)1.66s
响应时间(总计)2.47s
-
谜题求解
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1 答案错误: 1
响应时间(平均)790ms
响应时间(最大)865ms
响应时间(总计)2.37s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.80s
响应时间(最大)2.80s
响应时间(总计)2.80s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)651ms
响应时间(最大)651ms
响应时间(总计)651ms
|
| #381#381 |
Hy3 previewmedium已归档模型:该模型将不再更新,也不会在新测试中继续测试。
|
5.3… |
Tencent |
$0.049
↕
…
|
16.28s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 3 答案错误: 3 未遵循指令: 1
响应时间(平均)16.28s
响应时间(最大)46.04s
响应时间(总计)293.12s
…
|
- 总测试数
- 21
- 错误测试数
- 7
- 尝试通过率
- 60.9%
- 输入令牌
- 27,030
- 输出令牌
- 73,544
- 推理令牌
- 0
- 响应时间(平均)
- 16.28s
- 响应时间(总计)
- 293.12s
- 响应时间(最大)
- 46.04s
-
智能体任务
: 0.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)0ms
响应时间(最大)0ms
响应时间(总计)0ms
-
反AI技巧
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)6.59s
响应时间(最大)10.20s
响应时间(总计)26.37s
-
编程
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 2
响应时间(平均)31.37s
响应时间(最大)31.37s
响应时间(总计)31.37s
-
综合
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)46.04s
响应时间(最大)46.04s
响应时间(总计)46.04s
-
数据解析与提取
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)5.25s
响应时间(最大)5.25s
响应时间(总计)5.25s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)22.30s
响应时间(最大)30.51s
响应时间(总计)66.90s
-
通用智能
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)16.84s
响应时间(最大)16.84s
响应时间(总计)16.84s
-
指令遵循
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)6.16s
响应时间(最大)7.72s
响应时间(总计)12.31s
-
谜题求解
: 7.7
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)11.06s
响应时间(最大)14.35s
响应时间(总计)33.17s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)15.02s
响应时间(最大)15.02s
响应时间(总计)15.02s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)39.86s
响应时间(最大)39.86s
响应时间(总计)39.86s
|
| #380#380 |
Ember-1none
|
5.4… |
Fireworks |
$0.786
…
|
22.65s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 10 API 错误: 5
响应时间(平均)22.65s
响应时间(最大)93.12s
响应时间(总计)520.91s
…
|
- 总测试数
- 23
- 错误测试数
- 15
- 尝试通过率
- 43.5%
- 输入令牌
- 202,617
- 输出令牌
- 11,832
- 推理令牌
- 0
- 响应时间(平均)
- 22.65s
- 响应时间(总计)
- 520.91s
- 响应时间(最大)
- 93.12s
-
智能体任务
: 6.1
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)92.87s
响应时间(最大)92.87s
响应时间(总计)92.87s
-
反AI技巧
: 5.2
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 API 错误: 1
响应时间(平均)22.37s
响应时间(最大)65.56s
响应时间(总计)89.48s
-
编程
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)1.94s
响应时间(最大)3.25s
响应时间(总计)5.81s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1 答案错误: 1
响应时间(平均)49.01s
响应时间(最大)93.12s
响应时间(总计)98.01s
-
数据解析与提取
: 6.4
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)35.25s
响应时间(最大)68.56s
响应时间(总计)70.50s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)21.61s
响应时间(最大)60.47s
响应时间(总计)64.83s
-
通用智能
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)2.28s
响应时间(最大)2.28s
响应时间(总计)2.28s
-
指令遵循
: 6.4
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)31.00s
响应时间(最大)59.73s
响应时间(总计)62.01s
-
谜题求解
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.54s
响应时间(最大)4.51s
响应时间(总计)7.63s
-
工具调用
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)26.44s
响应时间(最大)26.44s
响应时间(总计)26.44s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.05s
响应时间(最大)1.05s
响应时间(总计)1.05s
|
| #379#379 |
Step 3.5 Flashmedium66/69 次尝试 (目标:每项测试重复 3 次)
|
5.4… |
Stepfun |
$0.105
…
|
190.48s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 6 未遵循指令: 3 API 错误: 1 无答案: 1 超时: 1
响应时间(平均)190.48s
响应时间(最大)1597.85s
响应时间(总计)3238.23s
…
|
- 总测试数
- 22
- 错误测试数
- 12
- 尝试通过率
- 49.3%
- 输入令牌
- 139,086
- 输出令牌
- 193,584
- 推理令牌
- 413,546
- 响应时间(平均)
- 190.48s
- 响应时间(总计)
- 3238.23s
- 响应时间(最大)
- 1597.85s
-
智能体任务
: 2.8
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)172.16s
响应时间(最大)172.16s
响应时间(总计)172.16s
-
反AI技巧
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)40.57s
响应时间(最大)110.43s
响应时间(总计)121.72s
-
编程
: 2.4
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1 超时: 1
响应时间(平均)258.38s
响应时间(最大)453.94s
响应时间(总计)516.77s
-
综合
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)813.71s
响应时间(最大)1597.85s
响应时间(总计)1627.41s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)15.01s
响应时间(最大)15.01s
响应时间(总计)15.01s
-
领域专项
: 3.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)311.60s
响应时间(最大)452.75s
响应时间(总计)623.20s
-
通用智能
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)22.39s
响应时间(最大)22.39s
响应时间(总计)22.39s
-
指令遵循
: 8.3
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)4.78s
响应时间(最大)4.78s
响应时间(总计)4.78s
-
谜题求解
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1 答案错误: 1
响应时间(平均)7.22s
响应时间(最大)10.60s
响应时间(总计)14.44s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)11.91s
响应时间(最大)11.91s
响应时间(总计)11.91s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)108.45s
响应时间(最大)108.45s
响应时间(总计)108.45s
|
| #378#378 |
MiMo-V2.6-Flashnone
|
5.4… |
Xiaomi |
$0.060
…
|
6.20s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 15 未遵循指令: 1 无效工具调用: 1
响应时间(平均)6.20s
响应时间(最大)62.57s
响应时间(总计)142.63s
…
|
- 总测试数
- 23
- 错误测试数
- 17
- 尝试通过率
- 30.4%
- 输入令牌
- 276,697
- 输出令牌
- 75,728
- 推理令牌
- 0
- 响应时间(平均)
- 6.20s
- 响应时间(总计)
- 142.63s
- 响应时间(最大)
- 62.57s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)62.57s
响应时间(最大)62.57s
响应时间(总计)62.57s
-
反AI技巧
: 4.8
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)816ms
响应时间(最大)1.57s
响应时间(总计)3.26s
-
编程
: 3.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 未遵循指令: 1
响应时间(平均)744ms
响应时间(最大)1.03s
响应时间(总计)2.23s
-
综合
: 3.7
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 答案错误: 1
响应时间(平均)4.78s
响应时间(最大)7.06s
响应时间(总计)9.56s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)715ms
响应时间(最大)756ms
响应时间(总计)1.43s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)722ms
响应时间(最大)878ms
响应时间(总计)2.17s
-
通用智能
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)779ms
响应时间(最大)779ms
响应时间(总计)779ms
-
指令遵循
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)810ms
响应时间(最大)964ms
响应时间(总计)1.62s
-
谜题求解
: 3.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)739ms
响应时间(最大)822ms
响应时间(总计)2.22s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.65s
响应时间(最大)1.65s
响应时间(总计)1.65s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)55.14s
响应时间(最大)55.14s
响应时间(总计)55.14s
|
| #377#377 |
Hy4 previewlow
|
5.4… |
Tencent |
$1.844
…
|
207.21s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 13 API 错误: 5 未遵循指令: 1 无答案: 1
响应时间(平均)207.21s
响应时间(最大)597.45s
响应时间(总计)4765.91s
…
|
- 总测试数
- 23
- 错误测试数
- 20
- 尝试通过率
- 21.7%
- 输入令牌
- 162,180
- 输出令牌
- 5,030
- 推理令牌
- 682,447
- 响应时间(平均)
- 207.21s
- 响应时间(总计)
- 4765.91s
- 响应时间(最大)
- 597.45s
-
智能体任务
: 4.7
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)52.36s
响应时间(最大)52.36s
响应时间(总计)52.36s
-
反AI技巧
: 6.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 4
响应时间(平均)129.60s
响应时间(最大)237.97s
响应时间(总计)518.41s
-
编程
: 5.2
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 API 错误: 1
响应时间(平均)219.15s
响应时间(最大)259.22s
响应时间(总计)657.45s
-
综合
: 2.9
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 2
响应时间(平均)139.43s
响应时间(最大)171.85s
响应时间(总计)278.85s
-
数据解析与提取
: 8.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)88.53s
响应时间(最大)120.56s
响应时间(总计)177.06s
-
领域专项
: 4.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)470.24s
响应时间(最大)547.52s
响应时间(总计)1410.71s
-
通用智能
: 7.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)110.43s
响应时间(最大)110.43s
响应时间(总计)110.43s
-
指令遵循
: 9.8
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)77.72s
响应时间(最大)91.04s
响应时间(总计)155.43s
-
谜题求解
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 未遵循指令: 1
响应时间(平均)238.03s
响应时间(最大)373.63s
响应时间(总计)714.10s
-
工具调用
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)93.67s
响应时间(最大)93.67s
响应时间(总计)93.67s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1
响应时间(平均)597.45s
响应时间(最大)597.45s
响应时间(总计)597.45s
|
| #376#376 |
North Mini Codemedium61/69 次尝试 (目标:每项测试重复 3 次)
|
5.4… |
Cohere |
$0.000
…
|
140.39s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 10 额外格式: 2 API 错误: 1 无效工具调用: 1 超时: 1
响应时间(平均)140.39s
响应时间(最大)786.72s
响应时间(总计)3229.07s
…
|
- 总测试数
- 23
- 错误测试数
- 15
- 尝试通过率
- 42.0%
- 输入令牌
- 166,347
- 输出令牌
- 423,884
- 推理令牌
- 1,394,387
- 响应时间(平均)
- 140.39s
- 响应时间(总计)
- 3229.07s
- 响应时间(最大)
- 786.72s
-
智能体任务
: 3.9
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)105.20s
响应时间(最大)105.20s
响应时间(总计)105.20s
-
反AI技巧
: 8.4
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1
响应时间(平均)64.79s
响应时间(最大)230.24s
响应时间(总计)259.15s
-
编程
: 4.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)320.43s
响应时间(最大)357.05s
响应时间(总计)961.28s
-
综合
: 2.9
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1 无效工具调用: 1
响应时间(平均)554.89s
响应时间(最大)786.72s
响应时间(总计)1109.78s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)24.06s
响应时间(最大)26.90s
响应时间(总计)48.13s
-
领域专项
: 2.9
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 超时: 1
响应时间(平均)107.19s
响应时间(最大)195.94s
响应时间(总计)321.57s
-
通用智能
: 5.1
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)25.08s
响应时间(最大)25.08s
响应时间(总计)25.08s
-
指令遵循
: 9.8
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)15.43s
响应时间(最大)28.25s
响应时间(总计)30.85s
-
谜题求解
: 3.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)19.70s
响应时间(最大)36.03s
响应时间(总计)59.10s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)3.93s
响应时间(最大)3.93s
响应时间(总计)3.93s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)305.02s
响应时间(最大)305.02s
响应时间(总计)305.02s
|
| #375#375 |
Qwen3.8 27Bnone候选模型的回答由本地硬件生成。OpenRouter 仅用于评测。 qwen3.8:latest · Q4_K_M · Ollama 0.32.12 · NVIDIA GeForce RTX 3090.
|
5.4… |
Qwen |
~$0.010
仅估算 GPU 的电费,不包括计算机其他部件及硬件购置成本。 NVIDIA GeForce RTX 3090: 0.0968 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.009566.
|
5.05s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 12 未遵循指令: 1 无效工具调用: 1
响应时间(平均)5.05s
响应时间(最大)47.42s
响应时间(总计)116.11s
…
|
- 总测试数
- 23
- 错误测试数
- 14
- 尝试通过率
- 39.1%
- 输入令牌
- 281,460
- 输出令牌
- 13,791
- 推理令牌
- 0
- 响应时间(平均)
- 5.05s
- 响应时间(总计)
- 116.11s
- 响应时间(最大)
- 47.42s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)47.42s
响应时间(最大)47.42s
响应时间(总计)47.42s
-
反AI技巧
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)828ms
响应时间(最大)1.95s
响应时间(总计)3.31s
-
编程
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)1.19s
响应时间(最大)1.97s
响应时间(总计)3.56s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 答案错误: 1
响应时间(平均)24.10s
响应时间(最大)44.76s
响应时间(总计)48.21s
-
数据解析与提取
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.14s
响应时间(最大)1.18s
响应时间(总计)2.27s
-
领域专项
: 7.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)552ms
响应时间(最大)675ms
响应时间(总计)1.66s
-
通用智能
: 4.2
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.31s
响应时间(最大)1.31s
响应时间(总计)1.31s
-
指令遵循
: 6.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)582ms
响应时间(最大)633ms
响应时间(总计)1.16s
-
谜题求解
: 6.0
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1 答案错误: 1
响应时间(平均)1.25s
响应时间(最大)1.84s
响应时间(总计)3.76s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.75s
响应时间(最大)2.75s
响应时间(总计)2.75s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)703ms
响应时间(最大)703ms
响应时间(总计)703ms
|
| #374#374 |
Claude Opus 4.7none已归档模型:该模型将不再更新,也不会在新测试中继续测试。
|
5.4… |
Anthropic |
$0.505
…
|
3.02s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)3.02s
响应时间(最大)18.27s
响应时间(总计)57.44s
…
|
- 总测试数
- 19
- 错误测试数
- 3
- 尝试通过率
- 69.6%
- 输入令牌
- 69,576
- 输出令牌
- 6,265
- 推理令牌
- 0
- 响应时间(平均)
- 3.02s
- 响应时间(总计)
- 57.44s
- 响应时间(最大)
- 18.27s
-
智能体任务
: 0.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)0ms
响应时间(最大)0ms
响应时间(总计)0ms
-
反AI技巧
: 8.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)2.12s
响应时间(最大)3.75s
响应时间(总计)8.50s
-
编程
: 3.3
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.84s
响应时间(最大)2.84s
响应时间(总计)2.84s
-
综合
: 4.8
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)18.27s
响应时间(最大)18.27s
响应时间(总计)18.27s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.15s
响应时间(最大)2.33s
响应时间(总计)4.29s
-
领域专项
: 7.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.19s
响应时间(最大)1.40s
响应时间(总计)3.58s
-
通用智能
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)3.47s
响应时间(最大)3.47s
响应时间(总计)3.47s
-
指令遵循
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.46s
响应时间(最大)1.68s
响应时间(总计)2.91s
-
谜题求解
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)2.46s
响应时间(最大)3.72s
响应时间(总计)7.38s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)4.74s
响应时间(最大)4.74s
响应时间(总计)4.74s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.46s
响应时间(最大)1.46s
响应时间(总计)1.46s
|
| #373#373 |
Seed-2.0-Codenone
|
5.4… |
Bytedance Seed |
$0.257
…
|
17.51s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 12 额外格式: 2 未遵循指令: 2 无答案: 1
响应时间(平均)17.51s
响应时间(最大)132.84s
响应时间(总计)402.66s
…
|
- 总测试数
- 23
- 错误测试数
- 17
- 尝试通过率
- 37.7%
- 输入令牌
- 319,668
- 输出令牌
- 32,069
- 推理令牌
- 0
- 响应时间(平均)
- 17.51s
- 响应时间(总计)
- 402.66s
- 响应时间(最大)
- 132.84s
-
智能体任务
: 6.1
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)79.95s
响应时间(最大)79.95s
响应时间(总计)79.95s
-
反AI技巧
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 额外格式: 1 未遵循指令: 1
响应时间(平均)5.06s
响应时间(最大)9.79s
响应时间(总计)20.24s
-
编程
: 3.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)13.42s
响应时间(最大)22.57s
响应时间(总计)40.25s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1 答案错误: 1
响应时间(平均)78.38s
响应时间(最大)132.84s
响应时间(总计)156.76s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)4.53s
响应时间(最大)6.63s
响应时间(总计)9.05s
-
领域专项
: 3.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)1.91s
响应时间(最大)4.51s
响应时间(总计)5.72s
-
通用智能
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)2.82s
响应时间(最大)2.82s
响应时间(总计)2.82s
-
指令遵循
: 6.2
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1
响应时间(平均)1.80s
响应时间(最大)2.04s
响应时间(总计)3.60s
-
谜题求解
: 7.7
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)10.04s
响应时间(最大)15.52s
响应时间(总计)30.11s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)48.81s
响应时间(最大)48.81s
响应时间(总计)48.81s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)5.36s
响应时间(最大)5.36s
响应时间(总计)5.36s
|
| #372#372 |
GLM 5V Turbomedium已归档模型:该模型将不再更新,也不会在新测试中继续测试。
|
5.5… |
Z.ai |
$0.457
…
|
23.08s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 7 无效工具调用: 2 未遵循指令: 1
响应时间(平均)23.08s
响应时间(最大)95.88s
响应时间(总计)484.63s
…
|
- 总测试数
- 21
- 错误测试数
- 10
- 尝试通过率
- 62.3%
- 输入令牌
- 44,615
- 输出令牌
- 2,347
- 推理令牌
- 98,415
- 响应时间(平均)
- 23.08s
- 响应时间(总计)
- 484.63s
- 响应时间(最大)
- 95.88s
-
智能体任务
: 0.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)0ms
响应时间(最大)0ms
响应时间(总计)0ms
-
反AI技巧
: 7.2
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1 答案错误: 1
响应时间(平均)10.76s
响应时间(最大)14.40s
响应时间(总计)43.02s
-
编程
: 6.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)63.38s
响应时间(最大)95.88s
响应时间(总计)190.15s
-
综合
: 3.4
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1
响应时间(平均)15.06s
响应时间(最大)15.06s
响应时间(总计)15.06s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)9.60s
响应时间(最大)9.92s
响应时间(总计)19.19s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)38.15s
响应时间(最大)67.08s
响应时间(总计)114.45s
-
通用智能
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)11.09s
响应时间(最大)11.09s
响应时间(总计)11.09s
-
指令遵循
: 9.9
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)3.74s
响应时间(最大)5.23s
响应时间(总计)7.47s
-
谜题求解
: 7.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)10.24s
响应时间(最大)16.95s
响应时间(总计)30.72s
-
工具调用
: 7.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1
响应时间(平均)12.53s
响应时间(最大)12.53s
响应时间(总计)12.53s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)40.96s
响应时间(最大)40.96s
响应时间(总计)40.96s
|
| #371#371 |
Gemma 4 26B A4Bnone
|
5.5… |
Google |
$0.031
…
|
10.55s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 10 未遵循指令: 2 无效工具调用: 1 超时: 1
响应时间(平均)10.55s
响应时间(最大)75.76s
响应时间(总计)242.57s
…
|
- 总测试数
- 23
- 错误测试数
- 14
- 尝试通过率
- 42.0%
- 输入令牌
- 280,126
- 输出令牌
- 17,306
- 推理令牌
- 0
- 响应时间(平均)
- 10.55s
- 响应时间(总计)
- 242.57s
- 响应时间(最大)
- 75.76s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)75.76s
响应时间(最大)75.76s
响应时间(总计)75.76s
-
反AI技巧
: 8.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.28s
响应时间(最大)2.09s
响应时间(总计)5.13s
-
编程
: 3.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 超时: 1
响应时间(平均)4.16s
响应时间(最大)7.07s
响应时间(总计)12.48s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 答案错误: 1
响应时间(平均)37.23s
响应时间(最大)43.93s
响应时间(总计)74.46s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.70s
响应时间(最大)2.21s
响应时间(总计)3.41s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)2.10s
响应时间(最大)4.23s
响应时间(总计)6.31s
-
通用智能
: 4.0
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)3.54s
响应时间(最大)3.54s
响应时间(总计)3.54s
-
指令遵循
: 6.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)690ms
响应时间(最大)878ms
响应时间(总计)1.38s
-
谜题求解
: 6.2
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1 答案错误: 1
响应时间(平均)744ms
响应时间(最大)972ms
响应时间(总计)2.23s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)57.10s
响应时间(最大)57.10s
响应时间(总计)57.10s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)778ms
响应时间(最大)778ms
响应时间(总计)778ms
|
| #369#369 |
Gemini 2.5 Flashnone
|
5.5… |
Google |
$0.017
…
|
6.00s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 13 未遵循指令: 1 无效工具调用: 1
响应时间(平均)6.00s
响应时间(最大)118.00s
响应时间(总计)138.04s
…
|
- 总测试数
- 23
- 错误测试数
- 15
- 尝试通过率
- 37.7%
- 输入令牌
- 39,886
- 输出令牌
- 1,890
- 推理令牌
- 0
- 响应时间(平均)
- 6.00s
- 响应时间(总计)
- 138.04s
- 响应时间(最大)
- 118.00s
-
智能体任务
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)1.81s
响应时间(最大)1.81s
响应时间(总计)1.81s
-
反AI技巧
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 4
响应时间(平均)582ms
响应时间(最大)844ms
响应时间(总计)2.33s
-
编程
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)736ms
响应时间(最大)1.16s
响应时间(总计)2.21s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 答案错误: 1
响应时间(平均)61.19s
响应时间(最大)118.00s
响应时间(总计)122.38s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)652ms
响应时间(最大)660ms
响应时间(总计)1.30s
-
领域专项
: 3.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)449ms
响应时间(最大)642ms
响应时间(总计)1.35s
-
通用智能
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)615ms
响应时间(最大)615ms
响应时间(总计)615ms
-
指令遵循
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)590ms
响应时间(最大)622ms
响应时间(总计)1.18s
-
谜题求解
: 7.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)604ms
响应时间(最大)700ms
响应时间(总计)1.81s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.91s
响应时间(最大)1.91s
响应时间(总计)1.91s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.15s
响应时间(最大)1.15s
响应时间(总计)1.15s
|
| #370#370 |
GPT-6 Lunanone
|
5.5… |
OpenAI |
$0.026
…
|
20.48s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 13 API 错误: 1 无效工具调用: 1 无答案: 1
响应时间(平均)20.48s
响应时间(最大)98.62s
响应时间(总计)470.96s
…
|
- 总测试数
- 23
- 错误测试数
- 16
- 尝试通过率
- 40.6%
- 输入令牌
- 222,357
- 输出令牌
- 6,855
- 推理令牌
- 0
- 响应时间(平均)
- 20.48s
- 响应时间(总计)
- 470.96s
- 响应时间(最大)
- 98.62s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1
响应时间(平均)51.13s
响应时间(最大)51.13s
响应时间(总计)51.13s
-
反AI技巧
: 4.8
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)9.82s
响应时间(最大)18.71s
响应时间(总计)39.30s
-
编程
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)8.04s
响应时间(最大)21.45s
响应时间(总计)24.13s
-
综合
: 3.8
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1 答案错误: 1
响应时间(平均)50.92s
响应时间(最大)98.62s
响应时间(总计)101.85s
-
数据解析与提取
: 7.3
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)9.34s
响应时间(最大)17.59s
响应时间(总计)18.69s
-
领域专项
: 5.3
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)8.24s
响应时间(最大)18.64s
响应时间(总计)24.73s
-
通用智能
: 5.1
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.08s
响应时间(最大)1.08s
响应时间(总计)1.08s
-
指令遵循
: 6.2
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)16.97s
响应时间(最大)17.43s
响应时间(总计)33.94s
-
谜题求解
: 5.4
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)25.95s
响应时间(最大)28.94s
响应时间(总计)77.86s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)71.15s
响应时间(最大)71.15s
响应时间(总计)71.15s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)27.10s
响应时间(最大)27.10s
响应时间(总计)27.10s
|
| #368#368 |
Ling 3.1 Flashnone
|
5.5… |
Inclusionai |
$0.000
…
|
15.75s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 9 未遵循指令: 5 无答案: 2 额外格式: 1 无效工具调用: 1
响应时间(平均)15.75s
响应时间(最大)90.95s
响应时间(总计)362.23s
…
|
- 总测试数
- 23
- 错误测试数
- 18
- 尝试通过率
- 33.3%
- 输入令牌
- 286,758
- 输出令牌
- 85,777
- 推理令牌
- 0
- 响应时间(平均)
- 15.75s
- 响应时间(总计)
- 362.23s
- 响应时间(最大)
- 90.95s
-
智能体任务
: 6.1
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)68.68s
响应时间(最大)68.68s
响应时间(总计)68.68s
-
反AI技巧
: 3.6
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 2 答案错误: 2
响应时间(平均)2.02s
响应时间(最大)3.69s
响应时间(总计)8.09s
-
编程
: 4.5
只有当某个测试的所有运行都通过时,才计为完全通过。
额外格式: 1 未遵循指令: 1 答案错误: 1
响应时间(平均)31.85s
响应时间(最大)71.62s
响应时间(总计)95.56s
-
综合
: 2.9
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1 答案错误: 1
响应时间(平均)25.41s
响应时间(最大)45.68s
响应时间(总计)50.82s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)12.27s
响应时间(最大)22.34s
响应时间(总计)24.55s
-
领域专项
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 未遵循指令: 1
响应时间(平均)1.72s
响应时间(最大)2.72s
响应时间(总计)5.15s
-
通用智能
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.41s
响应时间(最大)1.41s
响应时间(总计)1.41s
-
指令遵循
: 8.0
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)1.22s
响应时间(最大)1.23s
响应时间(总计)2.45s
-
谜题求解
: 7.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)3.31s
响应时间(最大)5.80s
响应时间(总计)9.92s
-
工具调用
: 4.7
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1
响应时间(平均)4.66s
响应时间(最大)4.66s
响应时间(总计)4.66s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1
响应时间(平均)90.95s
响应时间(最大)90.95s
响应时间(总计)90.95s
|
| #367#367 |
Kimi K2.6none
|
5.5… |
Moonshot AI |
$0.486
↑
…
|
26.34s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 13 未遵循指令: 3 无答案: 1
响应时间(平均)26.34s
响应时间(最大)238.89s
响应时间(总计)605.78s
…
|
- 总测试数
- 23
- 错误测试数
- 17
- 尝试通过率
- 30.4%
- 输入令牌
- 241,357
- 输出令牌
- 64,021
- 推理令牌
- 1
- 响应时间(平均)
- 26.34s
- 响应时间(总计)
- 605.78s
- 响应时间(最大)
- 238.89s
-
智能体任务
: 4.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)175.20s
响应时间(最大)175.20s
响应时间(总计)175.20s
-
反AI技巧
: 4.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)1.39s
响应时间(最大)2.96s
响应时间(总计)5.56s
-
编程
: 5.5
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1 答案错误: 1
响应时间(平均)82.57s
响应时间(最大)238.89s
响应时间(总计)247.72s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1 答案错误: 1
响应时间(平均)77.83s
响应时间(最大)152.28s
响应时间(总计)155.66s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)1.32s
响应时间(最大)1.39s
响应时间(总计)2.64s
-
领域专项
: 2.9
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)1.39s
响应时间(最大)1.77s
响应时间(总计)4.18s
-
通用智能
: 5.4
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)1.55s
响应时间(最大)1.55s
响应时间(总计)1.55s
-
指令遵循
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.64s
响应时间(最大)1.80s
响应时间(总计)3.28s
-
谜题求解
: 3.1
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 未遵循指令: 1
响应时间(平均)1.40s
响应时间(最大)1.81s
响应时间(总计)4.19s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)4.46s
响应时间(最大)4.46s
响应时间(总计)4.46s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)1.36s
响应时间(最大)1.36s
响应时间(总计)1.36s
|
| #366#366 |
Nemotron 3 Supermedium
|
5.5… |
NVIDIA |
$0.081
↑
…
|
56.40s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 6 API 错误: 4 未遵循指令: 3 无答案: 1 超时: 1
响应时间(平均)56.40s
响应时间(最大)431.98s
响应时间(总计)1184.46s
…
|
- 总测试数
- 23
- 错误测试数
- 15
- 尝试通过率
- 42.0%
- 输入令牌
- 229,346
- 输出令牌
- 18,597
- 推理令牌
- 129,338
- 响应时间(平均)
- 56.40s
- 响应时间(总计)
- 1184.46s
- 响应时间(最大)
- 431.98s
-
智能体任务
: 4.7
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)138.25s
响应时间(最大)138.25s
响应时间(总计)138.25s
-
反AI技巧
: 8.3
只有当某个测试的所有运行都通过时,才计为完全通过。
无答案: 1
响应时间(平均)7.85s
响应时间(最大)22.30s
响应时间(总计)31.40s
-
编程
: 3.1
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 3
响应时间(平均)147.32s
响应时间(最大)232.25s
响应时间(总计)294.64s
-
综合
: 6.4
只有当某个测试的所有运行都通过时,才计为完全通过。
API 错误: 1
响应时间(平均)259.89s
响应时间(最大)431.98s
响应时间(总计)519.77s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)18.16s
响应时间(最大)20.65s
响应时间(总计)36.33s
-
领域专项
: 2.9
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 超时: 1
响应时间(平均)19.35s
响应时间(最大)21.56s
响应时间(总计)38.71s
-
通用智能
: 4.1
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)6.91s
响应时间(最大)6.91s
响应时间(总计)6.91s
-
指令遵循
: 7.3
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)6.97s
响应时间(最大)11.23s
响应时间(总计)13.95s
-
谜题求解
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 未遵循指令: 1
响应时间(平均)3.15s
响应时间(最大)4.52s
响应时间(总计)9.45s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)39.75s
响应时间(最大)39.75s
响应时间(总计)39.75s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)55.32s
响应时间(最大)55.32s
响应时间(总计)55.32s
|
| #365#365 |
Nemotron 3.5 Super VLnone
|
5.5… |
NVIDIA |
$0.040
…
|
46.97s… |
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 11 未遵循指令: 2 无效工具调用: 1 超时: 1
响应时间(平均)46.97s
响应时间(最大)872.07s
响应时间(总计)1080.29s
…
|
- 总测试数
- 23
- 错误测试数
- 15
- 尝试通过率
- 43.5%
- 输入令牌
- 251,253
- 输出令牌
- 3,892
- 推理令牌
- 0
- 响应时间(平均)
- 46.97s
- 响应时间(总计)
- 1080.29s
- 响应时间(最大)
- 872.07s
-
智能体任务
: 5.0
只有当某个测试的所有运行都通过时,才计为完全通过。
无效工具调用: 1
响应时间(平均)71.09s
响应时间(最大)71.09s
响应时间(总计)71.09s
-
反AI技巧
: 6.5
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)3.08s
响应时间(最大)7.12s
响应时间(总计)12.30s
-
编程
: 3.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 3
响应时间(平均)4.33s
响应时间(最大)7.87s
响应时间(总计)13.00s
-
综合
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
超时: 1 答案错误: 1
响应时间(平均)451.91s
响应时间(最大)872.07s
响应时间(总计)903.82s
-
数据解析与提取
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)4.49s
响应时间(最大)8.19s
响应时间(总计)8.97s
-
领域专项
: 5.9
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2
响应时间(平均)5.20s
响应时间(最大)10.63s
响应时间(总计)15.61s
-
通用智能
: 5.1
只有当某个测试的所有运行都通过时,才计为完全通过。
未遵循指令: 1
响应时间(平均)489ms
响应时间(最大)489ms
响应时间(总计)489ms
-
指令遵循
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)4.08s
响应时间(最大)7.25s
响应时间(总计)8.16s
-
谜题求解
: 4.6
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 2 未遵循指令: 1
响应时间(平均)754ms
响应时间(最大)1.05s
响应时间(总计)2.26s
-
工具调用
: 10.0
只有当某个测试的所有运行都通过时,才计为完全通过。
没有失败答案。
响应时间(平均)33.97s
响应时间(最大)33.97s
响应时间(总计)33.97s
-
常识问答
: 3.0
只有当某个测试的所有运行都通过时,才计为完全通过。
答案错误: 1
响应时间(平均)10.61s
响应时间(最大)10.61s
响应时间(总计)10.61s
|