Modellen du betaler for, er modellen som svarer

En modell forblir til salgs når den beste kjøringen her ligger innenfor ett punkt fra utviklerens, verktøykallet er det samme, tenkeblokken er signert der utvikleren signerer en, og prompt-tokenene stemmer med utviklerens eller avviker på grunn av linjens egen kontekst, som denne siden rapporterer.

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".

Eksakte svar

En linje teller når den er lik det forventede svaret. Claude ble kjørt med adaptiv tenkning. De andre modellene ble kjørt med innstillingene endepunktet starter med, og på nytt med en resonneringsinnsats satt der de to sidene startet forskjellig.

Prompt-tokens

Forbruket hvert endepunkt rapporterer for tre faste prompter. Modellens tokenizer avgjør tallet, så en annen utviklers modell rapporterer et annet tall, og en skjult instruksjon øker det.

Verktøykall

Én forespørsel med et værverktøy som tar en by og en enhet. Argumentene må være de samme som utviklerens modell returnerer.

Signert tenkning

Anthropic signerer tenkeblokken i et Claude-svar. Hvert Claude-svar her kom tilbake med den blokken og signaturen.

Referansen

Claude ble sammenlignet med Anthropics API, kalt med vår egen nøkkel. GPT, Gemini og Grok ble sammenlignet med den samme modellen via OpenRouter, en offentlig ruter.

Når

Mellom 14:10 og 14:46 UTC den 11. november 2026. Hvert kall var en ny samtale, ble strømmet og gikk til linjen som leverer modellen, før endepunktets egen regnskapsføring.

Claude kalt direkte

Ved et direkte API-kall med adaptiv tenkning tenkte Claude-linjen lenger enn Anthropics endepunkt i noen kjøringer. Over 8 kjøringer av testbatteriet brukte Claude Opus 5.5 her 2 982 til 31 999 utdatatokens, og 2 883 til 7 903 over 5 kjøringer hos Anthropic. Ett svar fra Claude Sonnet 5.5 endte på 46 822 utdatatokens ved en max_tokens på 32 000, og noen kall rapporterte 724 flere prompttokens enn Anthropic gjør for den samme prompten. Claude-linjen stopper teksten ved den max_tokens en forespørsel setter, så endepunktet fakturerer ingen Claude-utdata utover den. Innenfor grensen faktureres utdata og disse prompttokensene slik de rapporteres, så et direkte kall som tenker lenger, koster mer.

Claude via Claude Code

Sendt av Claude Code med middels innsats brukte testbatteriet 1 438 output-tokens på Claude Opus 5.5 og 1 992 på Claude Fable 5.2, mot 5 564 og 1 578 hos Anthropic, med riktige svar på begge sider.

Resonneringsinnsats

Linjene GPT-6.1 Terra og Gemini 4 Argon starter med lavere innsats enn produsentens endepunkt når forespørselen ikke angir noen. GPT-6.1 Terra fikk 11 av 12 på den måten og 12 med innsatsen satt til høy. Gemini 4 Argon fikk 7 og deretter 12 med innsats angitt. Sett reasoning_effort i forespørselen når oppgaven krever det.

Utdatagrense

GPT-linjene og Grok 4.7-linjen stopper ikke ved max_tokens. Da vi senere samme dag ba om et langt essay med max_tokens satt til 300, leverte hver av dem hele essayet, 2 370 til 4 538 utdatatokens, mens OpenAIs og xAIs endepunkter stopper ved grensen. Disse svarene faktureres slik de leveres, så be om ønsket lengde i selve prompten. Claude og Gemini 4 Argon stopper ved grensen, og Gemini 4 Argon hever en grense under 128 tokens til 128.

Lagt til kontekst

To linjer legger inn egne tokens foran prompten, og endepunktet trekker dem fra bruken det viser og fakturerer: 288 på Gemini 4 Argon og 1 200 på Grok 4.7, tett på de 1 247 prompt-tokenene xAIs eget endepunkt rapporterer for en prompt på to ord. Grok 4.7-kallene som rapporterte flere, ble fakturert for resten. Tabellen viser hver linjes eget antall, før dette fratrekket, så skriptet som kjøres gjennom endepunktet, rapporterer færre prompt-tokens enn utvikleren for disse to modellene.

Én dag

Resultatene gjelder per 11. november 2026. Leverandørene endrer seg, så kontrollen kjøres på nytt for hver modell i salg den første uken i hver måned, før en modell flyttes til en ny leverandør og før en ny modell tas i salg, og en modell som ikke består, tas ut av salg samme dag. Denne siden viser datoen for siste kjøring.

Modeller fra samme produsent

To sterke modeller fra samme produsent kan begge svare riktig på alle oppgavene og telle tokens på samme måte. Testbatteriet skiller en modell fra en svakere erstatning og fra en annen produsents modell. Det kan ikke avgjøre hvilken av to modeller som begge består, som ga svaret.

Tolv oppgaver

Et kort testbatteri fanger opp en svakere modell, men overser små forskjeller. 11 poeng og 12 poeng er det samme resultatet her.

Offentlige oppgaver

Oppgavene og svarene ligger i skriptet, så en selger kan tilpasse en linje til dem. Endre tallene i skriptet for å lage et testbatteri ingen har sett.

Referansen

Bare Claude ble sammenlignet direkte med produsentens API. GPT, Gemini og Grok ble sammenlignet via OpenRouter, uten egen nøkkel hos OpenAI, Google eller xAI.

Hvor modellene kjører

AIGROW leverer hver modell via kapasitet som kjøpes fra mer enn én kilde, og oppgir ikke hvilke. Innstillinger som startnivået for resonneringsinnsats kan avvike fra produsentens endepunkt, slik avsnittet ovenfor viser.

Ingen tilknytning

AIGROW er uavhengig av Anthropic, OpenAI, Google og xAI. Navnene deres sier hva endepunktet leverer og antyder verken partnerskap eller anbefaling.