Modelflare vs NexoToken

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
openai-first-topup
GPT·Codex Pro稳定分组

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 dicekKecepatanHargaBelum dicekCacheBelum dicekKetersediaan
ModelflareNexoToken

Apa yang paling penting bagi Anda

Seimbang: pilih NexoToken

Alasan utama

Keaslian25%

Keaslian: tidak ada data untuk setidaknya satu relay

Ketersediaan20%

Ketersediaan NexoToken dalam 24 jam terakhir 100.0%, sedangkan Modelflare 97.9%

Efisiensi biaya20%

Efisiensi biaya: tidak ada data untuk setidaknya satu relay

Kecepatan15%

Modelflare merespons dalam 1.04 s, 92% lebih cepat daripada NexoToken (12.37 s)

Harga15%

Harga: tidak ada data untuk setidaknya satu relay

Cache5%

Cache: tidak ada data untuk setidaknya satu relay

Modelflare

Lebih unggul
Kecepatan1.04 s
Lebih lemah
Ketersediaan97.9%

NexoToken

Lebih unggul
Ketersediaan100.0%
Lebih lemah
Kecepatan12.37 s

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 terkoreksi32.332.3
Kecerdasan tersisa100%Belum dicek
Akurasi jawaban97% (90 soal)Belum dicek

Biaya

Efisiensi biaya72.4—
Biaya per sesi coding¥0.45—
Harga input¥0.1992—
Harga output¥1.1952—
Diskon cacheTidak diberikanTidak diberikan

Performa

Latensi token pertama1.04 s12.37 s
Ketersediaan, 24 jam terakhir97.9%100.0%
Sampel14130

Rute

Grupopenai-first-topupGPT·Codex Pro稳定分组
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.