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। क्रमबद्ध करें: कुल लागत ↓.
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) |
|---|---|---|---|---|---|---|---|
| #278 | Grok 4.20 Multi Agent Beta medium | X AI | 2 | 2.9 | $5.599 | 0/3 | 24.7s |
| #5 | GPT-6 Astra xhigh | OpenAI | 1 | 7.6 | $5.156 | 2/3 | 147.0s |
| #27 | GPT-5.5 medium | OpenAI | 2 | 5.3 | $4.163 | 1/3 | 168.2s |
| #4 | GPT-6 Astra high | OpenAI | 1 | 7.6 | $3.474 | 2/3 | 95.1s |
| #25 | Claude Fable 5.1 high | Anthropic | 1 | 7.7 | $3.364 | 2/3 | 24.3s |
| #20 | Claude Opus 5 high | Anthropic | 2 | 3.0 | $3.070 | 0/3 | 104.2s |
| #44 | Claude Fable 5 medium | Anthropic | 1 | 5.3 | $3.004 | 1/3 | 37.3s |
| #87 | Claude Opus 4.6 medium | Anthropic | 2 | 3.0 | $2.961 | 0/3 | 42.5s |
| #57 | Claude Fable 5.1 medium | Anthropic | 1 | 7.7 | $2.909 | 2/3 | 19.3s |
| #61 | Qwen3.8 2.4T A95B low | Qwen | 2 | 3.2 | $2.672 | 0/3 | 287.7s |
| #141 | Claude Fable 5.1 low | Anthropic | 3 | 4.1 | $2.565 | 0/3 | 19.3s |
| #110 | Qwen3.8 2.4T A95B high | Qwen | 2 | 4.1 | $2.357 | 0/3 | 301.1s |
| #250 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | $2.310 | 1/3 | 127.6s | |
| #65 | Muse Spark 1.1 high | Meta | 1 | 2.9 | $2.253 | 0/3 | 94.7s |
| #29 | Grok 4.5 high | X AI | 2 | 4.1 | $2.252 | 0/3 | 301.3s |