aicentos 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
default
openai-first-topup

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 dicekHargaCacheBelum dicekKetersediaanBelum dicek
aicentosModelflare

Apa yang paling penting bagi Anda

Seimbang: pilih Modelflare

Alasan utama

Keaslian25%

Keaslian: tidak ada data untuk setidaknya satu relay

Ketersediaan20%

Ketersediaan: tidak ada data untuk setidaknya satu relay

Efisiensi biaya20%

Modelflare memberi 72.4 poin per satuan uang, 7228% lebih banyak daripada aicentos (0.99)

Kecepatan15%

Kecepatan: tidak ada data untuk setidaknya satu relay

Harga15%

Modelflare berbiaya ¥0.45 per sesi, 99% lebih murah daripada aicentos (¥32.7)

Cache5%

Cache: tidak ada data untuk setidaknya satu relay

aicentos

Lebih unggul
Tidak ada selisih yang jelas
Lebih lemah
Harga¥32.7Efisiensi biaya0.99

Modelflare

Lebih unggul
Harga¥0.45Efisiensi biaya72.4
Lebih lemah
Tidak ada selisih yang jelas

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 terkoreksi32.332.3
Kecerdasan tersisaBelum dicek100%
Akurasi jawabanBelum dicek94% (90 soal)

Biaya

Efisiensi biaya0.9972.4
Biaya per sesi coding¥32.7¥0.45
Harga input¥15¥0.1992
Harga output¥67.5¥1.1952
Diskon cacheTidak diberikanTidak diberikan

Performa

Latensi token pertama—1.04 s
Ketersediaan, 24 jam terakhir—98.9%
Sampel—186

Rute

Grupdefaultopenai-first-topup
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.