金石API 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.
金石APIModelflare
Qué te importa más
Para la prioridad “Equilibrado”, elige Modelflare
金石API75
Modelflare100
Motivos principales
Integridad25%
Integridad: faltan datos de al menos un intermediario
Disponibilidad20%
Disponibilidad: faltan datos de al menos un intermediario
Costo-beneficio20%
Modelflare da 72.4 puntos por unidad monetaria, un 201% más que 金石API (24.0)
Velocidad15%
Velocidad: faltan datos de al menos un intermediario
Precio15%
Modelflare cuesta ¥0.45 por sesión, un 67% menos que 金石API (¥1.34)
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 ajustada32.332.3
Inteligencia conservadaSin verificar100%
Aciertos en preguntasSin verificar97% (preguntas: 90)
Costo
Relación costo-beneficio24.072.4
Costo por sesión de programación¥1.34¥0.45
Precio de entrada¥0.6¥0.1992
Precio de salida¥3.6¥1.1952
Descuento por cachéNo indicadoNo indicado
Rendimiento
Tiempo hasta el primer token—1.04 s
Disponibilidad, últimas 24 horas—97.9%
Muestras—192
Ruta
Grupogpt-enterpriseopenai-first-topup
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.