ডোমেইন-নির্দিষ্ট: ভুল উত্তর
ডোমেইন-নির্দিষ্ট
ভুল উত্তর
দেখুন ডোমেইন-নির্দিষ্ট এ কোন AI মডেলগুলোর ভুল উত্তর হওয়ার সম্ভাবনা সবচেয়ে বেশি, যাতে দুর্বল দিক দ্রুত ধরা যায়।
ব্যর্থতার কারণ
299/299
মডেল ফিল্টার করুন
বর্তমান অনুসন্ধান ও ফিল্টারের সাথে কোনো মডেল মেলেনি।
| র্যাঙ্ক | মডেল | কোম্পানি | ভুল উত্তর সংখ্যা | বিভাগ স্কোর | মোট খরচ | সঠিক টেস্ট | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|---|
| #16 | Claude Opus 5 medium | Anthropic | 3 | 2.9 | $1.586 | 0/3 | 26.3s |
| #19 | Qwen3.7 Max medium | Qwen | 3 | 4.1 | $1.157 | 0/3 | 52.5s |
| #23 | Qwen3.8 Max medium | Qwen | 3 | 3.0 | $0.771 | 0/3 | 41.8s |
| #29 | Muse Spark 1.3 medium | Meta | 3 | 3.5 | $1.469 | 0/3 | 132.3s |
| #30 | Gemini 3.5 Flash Lite high | 3 | 3.6 | $0.540 | 0/3 | 23.1s | |
| #31 | Claude Opus 4.8 medium | Anthropic | 3 | 3.6 | $1.983 | 0/3 | 18.1s |
| #36 | Muse Spark 1.2 high | Meta | 3 | 4.1 | $1.771 | 0/3 | 108.9s |
| #38 | Muse Spark 1.1 medium | Meta | 3 | 3.5 | $1.420 | 0/3 | 80.8s |
| #41 | Qwen3.8 Max low | Qwen | 3 | 2.9 | $0.702 | 0/3 | 40.1s |
| #46 | Grok 4.5 low | X AI | 3 | 2.9 | $0.945 | 0/3 | 77.1s |
| #49 | Seed 2.1 Turbo medium | Bytedance Seed | 3 | 2.9 | $1.951 | 0/3 | 656.0s |
| #54 | Muse Spark 1.3 low | Meta | 3 | 3.5 | $0.689 | 0/3 | 45.6s |
| #61 | DeepSeek V4 Flash 0731 low | DeepSeek | 3 | 3.0 | $0.044 | 0/3 | 255.5s |
| #70 | Qwen3.7 Plus medium | Qwen | 3 | 3.6 | $0.277 | 0/3 | 60.1s |
| #71 | Qwen3.6 Plus medium | Qwen | 3 | 2.9 | $0.418 | 0/3 | 46.4s |