yukinahub 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
claude-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 dicekHargaCacheKetersediaanBelum dicek
yukinahubModelflare

Apa yang paling penting bagi Anda

Seimbang: keduanya hampir setara

Alasan utama

Keaslian25%

Keaslian: tidak ada data untuk setidaknya satu relay

Ketersediaan20%

Ketersediaan: tidak ada data untuk setidaknya satu relay

Efisiensi biaya20%

Modelflare memberi 62.2 poin per satuan uang, 26% lebih banyak daripada yukinahub (49.5)

Kecepatan15%

Kecepatan: tidak ada data untuk setidaknya satu relay

Harga15%

Modelflare berbiaya ¥0.88 per sesi, 20% lebih murah daripada yukinahub (¥1.10)

Cache5%

Cache hampir setara: yukinahub 95%, Modelflare 90%

yukinahub

Lebih unggul
Tidak ada selisih yang jelas
Lebih lemah
Harga¥1.10Efisiensi biaya49.5

Modelflare

Lebih unggul
Harga¥0.88Efisiensi biaya62.2
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 terkoreksi54.554.5
Kecerdasan tersisaBelum dicekBelum dicek
Akurasi jawabanBelum dicekBelum dicek

Biaya

Efisiensi biaya49.562.2
Biaya per sesi coding¥1.10¥0.88
Harga input¥0.5¥0.3984
Harga output¥2.5¥1.992
Diskon cache95%90%

Performa

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

Rute

Grupdefaultclaude-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.