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
marketplace
gemini-premium

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 dicekKecepatanBelum dicekHargaCacheKetersediaanBelum dicek
A6apiModelflare

Apa yang paling penting bagi Anda

Seimbang: pilih A6api

Alasan utama

Keaslian25%

Keaslian: tidak ada data untuk setidaknya satu relay

Ketersediaan20%

Ketersediaan: tidak ada data untuk setidaknya satu relay

Efisiensi biaya20%

A6api memberi 28.3 poin per satuan uang, 475% lebih banyak daripada Modelflare (4.92)

Kecepatan15%

Kecepatan: tidak ada data untuk setidaknya satu relay

Harga15%

A6api berbiaya ¥1.90 per sesi, 83% lebih murah daripada Modelflare (¥11.0)

Cache5%

Cache hampir setara: A6api 95%, Modelflare 95%

A6api

Lebih unggul
Harga¥1.90Efisiensi biaya28.3
Lebih lemah
Tidak ada selisih yang jelas

Modelflare

Lebih unggul
Tidak ada selisih yang jelas
Lebih lemah
Harga¥11.0Efisiensi biaya4.92

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 terkoreksi53.953.9
Kecerdasan tersisaBelum dicekBelum dicek
Akurasi jawabanBelum dicekBelum dicek

Biaya

Efisiensi biaya28.34.92
Biaya per sesi coding¥1.90¥11.0
Harga input¥0.86543¥4.98
Harga output¥4.32715¥24.9
Diskon cache95%95%

Performa

Latensi token pertama——
Ketersediaan, 24 jam terakhir——
Sampel——

Rute

Grupmarketplacegemini-premium
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.