智流 FluxLane 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
GPT-MAX|满血专线
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.
KeaslianKecepatanHargaBelum dicekCacheBelum dicekKetersediaan
智流 FluxLaneModelflare

Apa yang paling penting bagi Anda

Seimbang: keduanya hampir setara

Alasan utama

Keaslian25%

Modelflare mempertahankan 100% kecerdasan model, sedangkan 智流 FluxLane 88%

Ketersediaan20%

Ketersediaan 智流 FluxLane dalam 24 jam terakhir 100.0%, sedangkan Modelflare 98.5%

Efisiensi biaya20%

Efisiensi biaya: tidak ada data untuk setidaknya satu relay

Kecepatan15%

Modelflare merespons dalam 1.33 s, 86% lebih cepat daripada 智流 FluxLane (9.76 s)

Harga15%

Harga: tidak ada data untuk setidaknya satu relay

Cache5%

Cache: tidak ada data untuk setidaknya satu relay

智流 FluxLane

Lebih unggul
Ketersediaan100.0%
Lebih lemah
Keaslian88%Kecepatan9.76 s

Modelflare

Lebih unggul
Keaslian100%Kecepatan1.33 s
Lebih lemah
Ketersediaan98.5%

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 terkoreksi50.056.9
Kecerdasan tersisa88%100%
Akurasi jawaban85% (20 soal)97% (90 soal)

Biaya

Efisiensi biaya—26.0
Biaya per sesi coding—¥2.19
Harga input—¥0.996
Harga output—¥4.98
Diskon cacheTidak diberikan90%

Performa

Latensi token pertama9.76 s1.33 s
Ketersediaan, 24 jam terakhir100.0%98.5%
Sampel31135

Rute

GrupGPT-MAX|满血专线openai-first-topup
Keamanan dataLevel 4Level 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.