aicentos vs. Modelflare
Un mismo modelo en dos intermediarios: integridad, velocidad, precio, caché y disponibilidad, más la inteligencia ajustada por degradación y la relación costo-beneficio, con una recomendación según tu prioridad.
Cuál elegir
Cinco dimensiones
Cuanto más afuera, mejor. La integridad es la parte de inteligencia conservada; las otras cuatro son posiciones entre todos los intermediarios del modelo.
aicentosModelflare
Qué te importa más
Para la prioridad “Equilibrado”, elige aicentos
aicentos100
Modelflare33
Motivos principales
Integridad25%
Integridad: faltan datos de al menos un intermediario
Disponibilidad20%
Disponibilidad: faltan datos de al menos un intermediario
Costo-beneficio20%
aicentos da 185 puntos por unidad monetaria, un 4900% más que Modelflare (3.70)
Velocidad15%
Velocidad: faltan datos de al menos un intermediario
Precio15%
aicentos cuesta ¥0.17 por sesión, un 98% menos que Modelflare (¥8.56)
Caché5%
Caché: faltan datos de al menos un intermediario
Cifras clave
Inteligencia ajustada
Cuanto más alto, mejor
Costo por sesión de programación
2M de tokens de entrada + 40k de salida · Cuanto más bajo, mejor
Costo-beneficio
Puntos de inteligencia por ¥1 · Cuanto más alto, mejor
Todas las cifras
Inteligencia
Inteligencia ajustada31.731.7
Inteligencia conservadaSin verificar100%
Aciertos en preguntasSin verificar91% (preguntas: 90)
Costo
Relación costo-beneficio1853.70
Costo por sesión de programación¥0.17¥8.56
Precio de entrada¥0.08¥4
Precio de salida¥0.28¥14.000000000002
Descuento por cachéNo indicadoNo indicado
Rendimiento
Tiempo hasta el primer token—0.96 s
Disponibilidad, últimas 24 horas—98.2%
Muestras—169
Ruta
Grupofreeglm-stable
Seguridad de datosNivel 0Nivel 4
Inteligencia ajustada = índice de inteligencia publicado del modelo × inteligencia conservada. Inteligencia conservada = tasa de aciertos del intermediario ÷ la mayor tasa de aciertos entre los intermediarios verificados del mismo modelo; con menos de 10 preguntas no se ajusta. Costo-beneficio = inteligencia ajustada ÷ costo por sesión de programación. Las diferencias por debajo de un umbral cuentan como parecidas. La recomendación pondera las métricas según la prioridad elegida y es solo orientativa.