MedicalBenchmark
OpenAI: GPT-5.1-Codex provider

GPT-5.1-Codex

28

#28 319 modeloetatik sailkapen orokorrean

3 MIR azterketatan metatutako errendimendua

Puntuazio garbia

573.33 pts

Ziurtasuna

96.7%

Zuzenak / Okerrak

580 / 20

Kostu osoa

$1.96

Errendimendu Orokorra

(vs. batez bestekoa)
Ziurtasuna

96.7%

avg: 80.6%

Puntuazio garbia

573.33 pts

avg: 453.30 pts

Zuzenak

580

avg: 483

Okerrak

20

avg: 90

Kostu osoa

$1.96

avg: $9.58

Batez besteko erantzun-denbora

3.4s

avg: 17.9s

Irteerako tokenak

160K

avg: 1.3M

Arrazonamendu tokenak

64K

avg: 898K

Batez besteko konfiantza

99.4%

avg: 95.4%

Azterketaren araberako banaketa

MIR 2024
42
Zuzenak
192
Okerrak
8
Ziurtasuna
96.0%
Puntuazio garbia
189.33
MIR 2025
21
Zuzenak
192
Okerrak
8
Ziurtasuna
96.0%
Puntuazio garbia
189.33
MIR 2026
30
Zuzenak
196
Okerrak
4
Ziurtasuna
98.0%
Puntuazio garbia
194.66