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) |
|---|---|---|---|---|---|---|---|
| #18 | Seed 2.1 Turbo low | Bytedance Seed | 1 | 2.9 | $1.546 | 0/3 | 424.5s |
| #20 | Claude Fable 5.1 high | Anthropic | 1 | 7.7 | $3.364 | 2/3 | 24.3s |
| #33 | Gemini 3.6 Flash low | 1 | 7.6 | $0.251 | 2/3 | 4.65s | |
| #39 | Claude Fable 5 medium | Anthropic | 1 | 5.3 | $3.004 | 1/3 | 37.3s |
| #47 | GPT-5.2 medium | OpenAI | 1 | 5.9 | $1.182 | 1/3 | 97.3s |
| #48 | Qwen3.8 27B high | Qwen | 1 | 5.3 | ~$0.287 | 1/3 | 526.7s |
| #52 | Claude Fable 5.1 medium | Anthropic | 1 | 7.7 | $2.909 | 2/3 | 19.3s |
| #59 | Inkling high | Thinkingmachines | 1 | 7.7 | $1.046 | 2/3 | 174.7s |
| #60 | Muse Spark 1.1 high | Meta | 1 | 2.9 | $2.253 | 0/3 | 94.7s |
| #73 | GLM 5.2 medium | Z.ai | 1 | 4.1 | $0.224 | 0/3 | 45.5s |
| #75 | Claude Sonnet 4.6 medium | Anthropic | 1 | 3.0 | $2.126 | 0/3 | 58.4s |
| #92 | MiniMax M3 medium | Minimax | 1 | 3.2 | $0.300 | 0/3 | 235.0s |
| #94 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 5.3 | $0.459 | 1/3 | 56.0s |
| #95 | Qwen3.5-27B medium | Qwen | 1 | 5.9 | $0.982 | 1/3 | 89.4s |
| #101 | Qwen3.7 Max none | Qwen | 1 | 7.7 | $0.197 | 2/3 | 1.24s |