Modelflare vs IKunCode
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.
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.
ModelflareIKunCode
Apa yang paling penting bagi Anda
Seimbang: keduanya hampir setara
Modelflare98
IKunCode100
Alasan utama
Keaslian25%
Keaslian hampir setara: Modelflare 98%, IKunCode 100%
Ketersediaan20%
Ketersediaan: tidak ada data untuk setidaknya satu relay
Efisiensi biaya20%
Efisiensi biaya: tidak ada data untuk setidaknya satu relay
Kecepatan15%
Kecepatan: tidak ada data untuk setidaknya satu relay
Harga15%
Harga: tidak ada data untuk setidaknya satu relay
Cache5%
Cache: tidak ada data untuk setidaknya satu relay
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 terkoreksi35.736.5
Kecerdasan tersisa98%100%
Akurasi jawaban98% (90 soal)100% (54 soal)
Biaya
Efisiensi biaya——
Biaya per sesi coding——
Harga input——
Harga output——
Diskon cacheTidak diberikanTidak diberikan
Performa
Latensi token pertama0.94 s—
Ketersediaan, 24 jam terakhir98.0%—
Sampel200—
Rute
Grupclaude-first-topupcc-kiro
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.