Modelflare vs A6api

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
claude-award
保真优先

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 dicekKecepatanHargaCacheBelum dicekKetersediaan
ModelflareA6api

Apa yang paling penting bagi Anda

Seimbang: pilih Modelflare

Alasan utama

Keaslian25%

Keaslian: tidak ada data untuk setidaknya satu relay

Ketersediaan20%

Ketersediaan Modelflare dalam 24 jam terakhir 98.7%, sedangkan A6api 83.3%

Efisiensi biaya20%

Efisiensi biaya: tidak ada data untuk setidaknya satu relay

Kecepatan15%

Modelflare merespons dalam 0.93 s, 95% lebih cepat daripada A6api (19.34 s)

Harga15%

A6api berbiaya ¥2.04 per sesi, 94% lebih murah daripada Modelflare (¥36.5)

Cache5%

Cache: tidak ada data untuk setidaknya satu relay

Modelflare

Lebih unggul
Kecepatan0.93 sKetersediaan98.7%
Lebih lemah
Harga¥36.5

A6api

Lebih unggul
Harga¥2.04
Lebih lemah
Kecepatan19.34 sKetersediaan83.3%

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 terkoreksi——
Kecerdasan tersisa100%Belum dicek
Akurasi jawaban100% (90 soal)Belum dicek

Biaya

Efisiensi biaya——
Biaya per sesi coding¥36.5¥2.04
Harga input¥16.6¥1
Harga output¥83¥1
Diskon cacheTidak diberikanTidak diberikan

Performa

Latensi token pertama0.93 s19.34 s
Ketersediaan, 24 jam terakhir98.7%83.3%
Sampel15318

Rute

Grupclaude-award保真优先
Keamanan dataLevel 4Level 0
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.