डोमेन-विशिष्ट: गलत उत्तर
डोमेन-विशिष्ट
गलत उत्तर
देखें कि डोमेन-विशिष्ट में किन AI मॉडलों में गलत उत्तर आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें।
विफलता के कारण
303/303
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) |
|---|---|---|---|---|---|---|---|
| #21 | Claude Opus 5 medium | Anthropic | 3 | 2.9 | $1.586 | 0/3 | 26.3s |
| #24 | Qwen3.7 Max medium | Qwen | 3 | 4.1 | $1.157 | 0/3 | 52.5s |
| #28 | Qwen3.8 Max medium | Qwen | 3 | 3.0 | $0.771 | 0/3 | 41.8s |
| #34 | Muse Spark 1.3 medium | Meta | 3 | 3.5 | $1.469 | 0/3 | 132.3s |
| #35 | Gemini 3.5 Flash Lite high | 3 | 3.6 | $0.540 | 0/3 | 23.1s | |
| #36 | Claude Opus 4.8 medium | Anthropic | 3 | 3.6 | $1.983 | 0/3 | 18.1s |
| #41 | Muse Spark 1.2 high | Meta | 3 | 4.1 | $1.771 | 0/3 | 108.9s |
| #43 | Muse Spark 1.1 medium | Meta | 3 | 3.5 | $1.420 | 0/3 | 80.8s |
| #46 | Qwen3.8 Max low | Qwen | 3 | 2.9 | $0.702 | 0/3 | 40.1s |
| #51 | Grok 4.5 low | X AI | 3 | 2.9 | $0.945 | 0/3 | 77.1s |
| #54 | Seed 2.1 Turbo medium | Bytedance Seed | 3 | 2.9 | $1.951 | 0/3 | 656.0s |
| #59 | Muse Spark 1.3 low | Meta | 3 | 3.5 | $0.689 | 0/3 | 45.6s |
| #66 | DeepSeek V4 Flash 0731 low | DeepSeek | 3 | 3.0 | $0.044 | 0/3 | 255.5s |
| #75 | Qwen3.7 Plus medium | Qwen | 3 | 3.6 | $0.277 | 0/3 | 60.1s |
| #76 | Qwen3.6 Plus medium | Qwen | 3 | 2.9 | $0.418 | 0/3 | 46.4s |