HardysAPI 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
国内模型分组
glm-stable

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
HardysAPIModelflare

Apa yang paling penting bagi Anda

Seimbang: pilih HardysAPI

Alasan utama

Keaslian25%

Keaslian: tidak ada data untuk setidaknya satu relay

Ketersediaan20%

Ketersediaan: tidak ada data untuk setidaknya satu relay

Efisiensi biaya20%

HardysAPI memberi 71.0 poin per satuan uang, 1818% lebih banyak daripada Modelflare (3.70)

Kecepatan15%

Kecepatan: tidak ada data untuk setidaknya satu relay

Harga15%

HardysAPI berbiaya ¥0.45 per sesi, 95% lebih murah daripada Modelflare (¥8.56)

Cache5%

Cache: tidak ada data untuk setidaknya satu relay

HardysAPI

Lebih unggul
Harga¥0.45Efisiensi biaya71.0
Lebih lemah
Tidak ada selisih yang jelas

Modelflare

Lebih unggul
Tidak ada selisih yang jelas
Lebih lemah
Harga¥8.56Efisiensi biaya3.70

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 terkoreksi31.731.7
Kecerdasan tersisaBelum dicek100%
Akurasi jawabanBelum dicek92.1% (240 soal)

Biaya

Efisiensi biaya71.03.70
Biaya per sesi coding¥0.45¥8.56
Harga input¥0.21¥4
Harga output¥0.66¥14.000000000002
Diskon cacheTidak diberikanTidak diberikan

Performa

Latensi token pertama—0.96 s
Ketersediaan, 24 jam terakhir—97.2%
Sampel—178

Rute

Grup国内模型分组glm-stable
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.