Den model, du betaler for, er den model, der svarer

En model forbliver til salg, når dens bedste kørsel her ligger inden for ét punkt fra udviklerens, dens værktøjskald er det samme, dens tænkeblok er signeret, hvor udvikleren signerer en, og dens prompttokens svarer til udviklerens eller afviger på grund af linjens egen kontekst, som denne side redegør for.

Solve all 12 items exactly. You have no tools; reason carefully. Reply with ONLY 12 lines in the form `N: answer` (no words, no units, no thousands separators).
1: Sum of the decimal digits of 2^200.
2: Number of integer partitions of 50.
3: Number of twin prime pairs (p, p+2) with p < 3000.
4: Determinant of the matrix [[3, -1, 4, 2], [1, 5, -9, 2], [6, 5, 3, -5], [8, 9, -7, 9]].
5: Day of the week (English) of 17 March 2031.
6: Length of the longest common subsequence of "AGGTABCXKQTRPLMZNVWY" and "GXTXAYBKQRTPLZMNWVYC".
7: Let f(n) be the number of Collatz steps to reach 1 (n -> n/2 if even, 3n+1 if odd). Let m be the n in 1..199 with the largest f(n) (smallest n on ties). Answer m*1000 + f(m).
8: The permutation at 0-indexed lexicographic position 31337 of the digits 01234567, written as 8 digits.
9: 7^222 mod 1009.
10: How many integers from 1 to 10000 have digit sum 19.
11: Number of derangements of 10 elements.
12: Number of occurrences of the letter r in: "the quick brown fox jumps over the lazy dog while seventeen irritated terriers hurriedly retrieve arbitrary forgotten rubber rings".

Præcise svar

En linje tæller, når den er lig med det forventede svar. Claude kørte med adaptiv tænkning. De andre modeller kørte med de indstillinger, deres endpoint starter med, og igen med en angivet reasoning-indsats, hvor de to sider startede forskelligt.

Prompt-tokens

Det forbrug, hvert endpoint rapporterer for tre faste forespørgsler. En models tokenizer afgør antallet, så en anden udviklers model rapporterer et andet tal, og en skjult instruktion lægger sig oven i.

Værktøjskald

Én forespørgsel med et vejrværktøj, der tager en by og en enhed. Argumenterne skal være dem, udviklerens model returnerer.

Signeret tænkning

Anthropic signerer tænkeblokken i et Claude-svar. Hvert Claude-svar her kom tilbage med den blok og dens signatur.

Referencen

Claude blev sammenlignet med Anthropics API, kaldt med vores egen nøgle. GPT, Gemini og Grok blev sammenlignet med den samme model via OpenRouter, en offentlig router.

Hvornår

Mellem 14:10 og 14:46 UTC den 11. november 2026. Hvert kald var en ny samtale, blev streamet og gik til den linje, der betjener modellen, før endpointets egen opgørelse.

Claude kaldt direkte

Ved et direkte API-kald med adaptiv tænkning tænkte Claude-linjen længere end Anthropics endpoint i nogle kørsler. Over 8 kørsler af testbatteriet brugte Claude Opus 5.5 her 2.982 til 31.999 output-tokens, mod 2.883 til 7.903 over 5 kørsler hos Anthropic. Ét svar fra Claude Sonnet 5.5 nåede op på 46.822 output-tokens ved en max_tokens på 32.000, og nogle kald rapporterede 724 flere prompt-tokens, end Anthropic gør for den samme prompt. Claude-linjen afbryder teksten ved den max_tokens, en forespørgsel angiver, så endpointet fakturerer ingen Claude-output ud over den. Inden for grænsen faktureres output og de prompt-tokens som rapporteret, så et direkte kald, der tænker længere, koster mere.

Claude via Claude Code

Sendt af Claude Code med middel indsats tog testsættet 1.438 output-tokens på Claude Opus 5.5 og 1.992 på Claude Fable 5.2, mod 5.564 og 1.578 hos Anthropic, med alle svar rigtige på begge sider.

Reasoning-indsats

Linjerne GPT-6.1 Terra og Gemini 4 Argon starter med en lavere indsats end producentens endpoint, når forespørgslen ikke angiver nogen. GPT-6.1 Terra klarede 11 af 12 på den måde og 12 med indsatsen sat til high. Gemini 4 Argon klarede 7 og derefter 12 med indsatsen sat. Angiv reasoning_effort i forespørgslen, når opgaven kræver det.

Outputgrænse

GPT-linjerne og Grok 4.7-linjen stopper ikke ved max_tokens. Da vi senere samme dag bad om et langt essay med max_tokens sat til 300, returnerede hver af dem hele essayet, 2.370 til 4.538 output-tokens, hvor OpenAIs og xAIs endpoints stopper ved grænsen. Disse svar faktureres, som de leveres, så angiv længden i prompten. Claude og Gemini 4 Argon stopper ved grænsen, og Gemini 4 Argon hæver en grænse under 128 tokens til 128.

Tilføjet kontekst

To linjer sætter egne tokens foran prompten, og endpointet trækker dem fra i det forbrug, det viser og fakturerer: 288 på Gemini 4 Argon og 1.200 på Grok 4.7, tæt på de 1.247 prompttokens, som xAI's eget endpoint rapporterer for en prompt på to ord. De Grok 4.7-kald, der rapporterede flere, blev faktureret for resten. Tabellen viser hver linjes eget tal, før fratrækket, så scriptet kørt gennem endpointet rapporterer færre prompttokens end udvikleren på disse to modeller.

Én dag

Resultaterne er fra den 11. november 2026. Leverandørkæder ændrer sig, så kontrollen køres igen på hver model, der er til salg, i den første uge af hver måned, før en model flyttes til en ny leverandørkæde, og før en ny model kommer til salg. En model, der dumper, tages af markedet samme dag. Denne side viser datoen for den seneste kørsel.

Modeller fra samme producent

To stærke modeller fra samme producent kan begge få alle opgaver rigtige og tælle tokens på samme måde. Testsættet kan skelne en model fra en svagere erstatning og fra en anden producents model. Det kan ikke afgøre, hvilken af to modeller, der begge består, der gav svaret.

Tolv opgaver

Et kort testsæt fanger en svagere model, men overser små forskelle. Et resultat på 11 og et resultat på 12 er det samme udfald her.

Offentlige opgaver

Opgaverne og deres svar står i scriptet, så en sælger kunne tilpasse en linje til dem. Ændr tallene i scriptet for at lave et testsæt, ingen har set.

Referencen

Kun Claude blev sammenlignet direkte med producentens API. GPT, Gemini og Grok blev sammenlignet via OpenRouter, uden en egen nøgle hos OpenAI, Google eller xAI.

Hvor modellerne kører

AIGROW leverer hver model gennem kapacitet, der købes fra flere kilder, og nævner dem ikke. Indstillinger som den indledende reasoning-indsats kan afvige fra producentens endpoint, som afsnittet ovenfor viser.

Ingen tilknytning

AIGROW er uafhængig af Anthropic, OpenAI, Google og xAI. Deres navne angiver, hvad endpointet leverer, og antyder hverken partnerskab eller anbefaling.