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
202/202
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) |
|---|---|---|---|---|---|---|---|
| #32 | Inkling high | Thinkingmachines | 1 | 7.7 | $1.006 | 2/3 | 186.4s |
| #33 | Step 3.7 Flash medium | Stepfun | 1 | 7.7 | $0.515 | 2/3 | 48.3s |
| #35 | GLM 5.2 high | Z.ai | 1 | 3.7 | $0.817 | 0/3 | 74.0s |
| #42 | GLM 5.2 medium | Z.ai | 1 | 4.1 | $0.187 | 0/3 | 45.5s |
| #44 | Claude Sonnet 4.6 medium | Anthropic | 1 | 2.9 | $2.057 | 0/3 | 0ms |
| #47 | Claude Opus 4.6 medium | Anthropic | 1 | 3.0 | $3.059 | 0/3 | 83.4s |
| #48 | GPT-5.6 Luna high | OpenAI | 1 | 7.7 | $1.017 | 2/3 | 79.0s |
| #52 | Grok Build 0.1 medium | X AI | 1 | 5.3 | $1.097 | 1/3 | 158.0s |
| #61 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 5.3 | $0.437 | 1/3 | 17.5s |
| #62 | Qwen3.5-27B medium | Qwen | 1 | 5.3 | $1.627 | 1/3 | 79.5s |
| #63 | Qwen3.7 Max none | Qwen | 1 | 7.7 | $0.197 | 2/3 | 975ms |
| #67 | Claude Sonnet 4.6 none | Anthropic | 1 | 7.7 | $0.661 | 2/3 | 3.54s |
| #78 | GLM 5.1 medium | Z.ai | 1 | 5.3 | $0.535 | 1/3 | 29.8s |
| #79 | Grok 4.20 medium | X AI | 1 | 5.3 | $0.777 | 1/3 | 27.0s |
| #83 | Gemini 3.5 Flash none | 1 | 7.6 | $1.079 | 2/3 | 10.6s |