Modellen du betalar för är modellen som svarar

En modell förblir i försäljning när dess bästa körning här ligger inom ett objekt från tillverkarens, dess verktygsanrop är detsamma, dess tänkeblock är signerat där tillverkaren signerar ett, och dess prompttokens stämmer med tillverkarens eller skiljer sig genom linjens egen kontext, vilket den här sidan redovisar.

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".

Exakta svar

En rad räknas när den är lika med det förväntade svaret. Claude kördes med adaptivt tänkande. De andra modellerna kördes med de inställningar deras endpoint utgår från, och igen med en angiven resonemangsnivå där de två sidorna började olika.

Prompt-tokens

Den användning varje endpoint rapporterar för tre fasta prompter. Modellens tokenizer avgör antalet, så en annan tillverkares modell rapporterar ett annat tal, och en dold instruktion ökar det.

Verktygsanrop

En begäran med ett väderverktyg som tar en stad och en enhet. Argumenten måste vara de som tillverkarens modell returnerar.

Signerat tänkande

Anthropic signerar tänkandeblocket i ett Claude-svar. Varje Claude-svar här kom tillbaka med det blocket och dess signatur.

Referensen

Claude jämfördes med Anthropics API, anropat med vår egen nyckel. GPT, Gemini och Grok jämfördes med samma modell via OpenRouter, en offentlig router.

När

Mellan 14:10 och 14:46 UTC den 11 november 2026. Varje anrop var en ny konversation, strömmades och gick till den linje som serverar modellen, före endpointens egen redovisning.

Claude anropad direkt

Vid ett direkt API-anrop med adaptivt tänkande tänkte Claude-linjen längre än Anthropics endpoint vid vissa körningar. Under 8 körningar av testbatteriet använde Claude Opus 5.5 här 2 982 till 31 999 utdatatokens, mot 2 883 till 7 903 under 5 körningar hos Anthropic. Ett svar från Claude Sonnet 5.5 nådde 46 822 utdatatokens med max_tokens satt till 32 000, och vissa anrop rapporterade 724 fler prompttokens än Anthropic gör för samma prompt. Claude-linjen stoppar texten vid den max_tokens som en begäran anger, så endpointen debiterar ingen Claude-utdata efter den gränsen. Inom gränsen debiteras utdata och de prompttokens enligt rapporterade värden, så ett direkt anrop som tänker längre kostar mer.

Claude via Claude Code

Skickat av Claude Code med medelhög nivå krävde testbatteriet 1 438 utdata-tokens på Claude Opus 5.5 och 1 992 på Claude Fable 5.2, mot 5 564 och 1 578 hos Anthropic, med rätt svar överallt på båda sidor.

Resonemangsnivå

Linjerna GPT-6.1 Terra och Gemini 4 Argon utgår från en lägre ansträngningsnivå än tillverkarens egen endpoint när förfrågan inte anger någon. GPT-6.1 Terra fick på så sätt 11 av 12 rätt, och 12 med ansträngningsnivån inställd på high. Gemini 4 Argon fick 7 och därefter 12 med nivån inställd. Ange reasoning_effort i förfrågan när uppgiften kräver det.

Utdatagräns

GPT-linjerna och Grok 4.7-linjen stoppar inte vid max_tokens. När vi senare samma dag bad om en lång essä med max_tokens satt till 300 returnerade var och en hela essän, 2 370 till 4 538 utdatatokens, medan OpenAI:s och xAI:s endpoints stoppar vid gränsen. Dessa svar debiteras som de levereras, så ange önskad längd i prompten. Claude och Gemini 4 Argon stoppar vid gränsen, och Gemini 4 Argon höjer en gräns under 128 tokens till 128.

Tillagd kontext

Två linjer sätter egna tokens framför prompten, och endpointen drar av dem från den användning den visar och fakturerar: 288 för Gemini 4 Argon och 1 200 för Grok 4.7, nära de 1 247 prompttokens som xAI:s egen endpoint rapporterar för en prompt på två ord. De anrop med Grok 4.7 som rapporterade fler fakturerades för resten. Tabellen visar varje linjes eget antal, före avdraget, så skriptet som körs via endpointen rapporterar färre prompttokens än tillverkaren för dessa två modeller.

En dag

Resultaten gäller den 11 november 2026. Leverantörsleden ändras, så kontrollen körs om för varje modell i försäljning under första veckan varje månad, innan en modell flyttas till en ny led och innan en ny modell tas till försäljning, och en modell som inte klarar den tas bort från försäljning samma dag. Den här sidan visar datumet för den senaste körningen.

Modeller från samma tillverkare

Två starka modeller från samma tillverkare kan båda få alla uppgifter rätt och räkna tokens på samma sätt. Testsviten skiljer en modell från en svagare ersättare och från en annan tillverkares modell. Den kan inte avgöra vilken av två modeller som båda klarar den som gav svaret.

Tolv uppgifter

En kort testsvit fångar upp en svagare modell men missar små skillnader. Resultaten 11 och 12 är samma utfall här.

Offentliga uppgifter

Uppgifterna och deras svar finns i skriptet, så en säljare skulle kunna trimma en linje efter dem. Ändra siffrorna i skriptet för att skapa en testsvit som ingen har sett.

Referensen

Bara Claude jämfördes direkt med tillverkarens API. GPT, Gemini och Grok jämfördes via OpenRouter, utan någon egen nyckel hos OpenAI, Google eller xAI.

Var modellerna körs

AIGROW levererar varje modell via kapacitet som köps från mer än en källa, och namnger dem inte. Inställningar som den ursprungliga ansträngningsnivån för resonemang kan skilja sig från tillverkarens endpoint, som avsnittet ovan visar.

Ingen koppling

AIGROW är oberoende av Anthropic, OpenAI, Google och xAI. Deras namn anger vad endpointen levererar och antyder inget partnerskap eller någon rekommendation.