兽浮云中转站 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.
兽浮云中转站Modelflare
Qué te importa más
Para la prioridad “Equilibrado”, elige 兽浮云中转站
兽浮云中转站83
Modelflare72
Motivos principales
Integridad25%
Integridad: faltan datos de al menos un intermediario
Disponibilidad20%
Disponibilidad: faltan datos de al menos un intermediario
Costo-beneficio20%
兽浮云中转站 da 118 puntos por unidad monetaria, un 17% más que Modelflare (101)
Velocidad15%
Velocidad: faltan datos de al menos un intermediario
Precio15%
兽浮云中转站 cuesta ¥0.37 por sesión, un 15% menos que Modelflare (¥0.44)
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 ajustada44.244.2
Inteligencia conservadaSin verificar100%
Aciertos en preguntasSin verificar92.5% (preguntas: 120)
Costo
Relación costo-beneficio118101
Costo por sesión de programación¥0.37¥0.44
Precio de entrada¥0.17¥0.1992
Precio de salida¥0.85¥0.996
Descuento por cachéNo indicadoNo indicado
Rendimiento
Tiempo hasta el primer token—1.21 s
Disponibilidad, últimas 24 horas—98.3%
Muestras—182
Ruta
GrupoChatGPT全模型不降智openai-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.