डेटा पार्सिंग और निष्कर्षण: गलत उत्तर
डेटा पार्सिंग और निष्कर्षण
गलत उत्तर
देखें कि डेटा पार्सिंग और निष्कर्षण में किन AI मॉडलों में गलत उत्तर आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें। क्रमबद्ध करें: कुल लागत ↓.
विफलता के कारण
80/80
मॉडल फ़िल्टर करें
मौजूदा खोज और फ़िल्टर से कोई मॉडल मेल नहीं खाता।
| रैंक | मॉडल | कंपनी | गलत उत्तर संख्या | श्रेणी स्कोर | कुल लागत | सही परीक्षण | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|
| #169 | Claude Opus 4.8 low | Anthropic | 1 | 0.6 | $3.787 | 1/2 | 2.27s |
| #95 | Claude Opus 4.8 medium | Anthropic | 1 | 0.7 | $3.490 | 1/2 | 12.3s |
| #195 | Claude Opus 4.8 none | Anthropic | 1 | 0.7 | $2.334 | 1/2 | 1.77s |
| #317 | Hy4 preview low | Tencent | 1 | 0.9 | $1.844 | 1/2 | 88.5s |
| #151 | Seed-2.0-Code medium | Bytedance Seed | 1 | 0.7 | $1.275 | 1/2 | 18.8s |
| #256 | Trinity Large Thinking low | Arcee AI | 1 | 0.7 | $0.918 | 1/2 | 14.3s |
| #267 | Trinity Large Thinking medium | Arcee AI | 1 | 0.6 | $0.862 | 1/2 | 16.4s |
| #292 | Trinity Large Thinking high | Arcee AI | 1 | 0.6 | $0.794 | 1/2 | 14.0s |
| #162 | LongCat 2.0 high | Meituan | 1 | 0.4 | $0.778 | 0/2 | 11.0s |
| #260 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 1 | 0.7 | $0.669 | 1/2 | 4.70s |
| #413 | Grok Build 0.1 none | X AI | 1 | 0.4 | $0.547 | 0/2 | 9.33s |
| #133 | Muse Glimmer 30B high | Meta | 1 | 0.7 | $0.506 | 1/2 | 14.9s |
| #173 | Step 3.7 Flash low | Stepfun | 1 | 0.7 | $0.449 | 1/2 | 2.29s |
| #384 | MiniMax M2.5 medium | Minimax | 2 | 0.5 | $0.440 | 0/2 | 7.48s |
| #332 | Mimo V2 PRO medium | Xiaomi | 1 | 0.7 | $0.333 | 1/2 | 17.2s |