A6api vs Modelflare

Satu model di dua relay: keaslian, kecepatan, harga, cache, dan ketersediaan, ditambah kecerdasan yang dikoreksi menurut degradasi model dan efisiensi biaya, dengan saran sesuai prioritas yang Anda pilih.

Model
保真优先
claude-award

Mana yang dipilih

Lima dimensi

Makin ke luar makin baik. Keaslian adalah porsi kecerdasan yang tersisa; empat dimensi lainnya adalah posisi di antara semua relay untuk model ini.
KeaslianBelum dicekKecepatanHargaCacheBelum dicekKetersediaan
A6apiModelflare

Apa yang paling penting bagi Anda

Seimbang: pilih Modelflare

Alasan utama

Keaslian25%

Keaslian: tidak ada data untuk setidaknya satu relay

Ketersediaan20%

Ketersediaan Modelflare dalam 24 jam terakhir 98.7%, sedangkan A6api 83.3%

Efisiensi biaya20%

Efisiensi biaya: tidak ada data untuk setidaknya satu relay

Kecepatan15%

Modelflare merespons dalam 0.93 s, 95% lebih cepat daripada A6api (19.34 s)

Harga15%

A6api berbiaya ¥2.04 per sesi, 94% lebih murah daripada Modelflare (¥36.5)

Cache5%

Cache: tidak ada data untuk setidaknya satu relay

A6api

Lebih unggul
Harga¥2.04
Lebih lemah
Kecepatan19.34 sKetersediaan83.3%

Modelflare

Lebih unggul
Kecepatan0.93 sKetersediaan98.7%
Lebih lemah
Harga¥36.5

Angka utama

Kecerdasan terkoreksi

Makin tinggi makin baik

Biaya per sesi coding

2 juta token input + 40 ribu token output · Makin rendah makin baik

Efisiensi biaya

Poin kecerdasan per ¥1 · Makin tinggi makin baik

Semua angka

Kecerdasan

Kecerdasan terkoreksi——
Kecerdasan tersisaBelum dicek100%
Akurasi jawabanBelum dicek100% (90 soal)

Biaya

Efisiensi biaya——
Biaya per sesi coding¥2.04¥36.5
Harga input¥1¥16.6
Harga output¥1¥83
Diskon cacheTidak diberikanTidak diberikan

Performa

Latensi token pertama19.34 s0.93 s
Ketersediaan, 24 jam terakhir83.3%98.7%
Sampel18153

Rute

Grup保真优先claude-award
Keamanan dataLevel 0Level 4
Kecerdasan terkoreksi = indeks kecerdasan model yang dipublikasikan × kecerdasan tersisa. Kecerdasan tersisa = akurasi jawaban relay ÷ akurasi tertinggi di antara relay yang sudah dicek untuk model yang sama; jika kurang dari 10 soal, tidak dikoreksi. Efisiensi biaya = kecerdasan terkoreksi ÷ biaya per sesi coding. Selisih di bawah ambang dianggap hampir setara. Saran dihitung dengan memberi bobot pada metrik sesuai prioritas yang dipilih dan hanya sebagai panduan.