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: सही परीक्षण ↓.
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) |
|---|---|---|---|---|---|---|---|
| #1 | Gemini 3.6 Flash high | 1 | 8.2 | $0.699 | 2/3 | 33.3s | |
| #4 | GPT-6 Astra high | OpenAI | 1 | 7.6 | $3.474 | 2/3 | 95.1s |
| #5 | GPT-6 Astra xhigh | OpenAI | 1 | 7.6 | $5.156 | 2/3 | 147.0s |
| #9 | GPT-6 Astra low | OpenAI | 1 | 7.7 | $1.289 | 2/3 | 13.9s |
| #10 | Gemini 3 Flash Preview medium | 1 | 7.7 | $0.763 | 2/3 | 20.1s | |
| #12 | Gemini 3.7 Flash medium | 1 | 7.7 | $0.309 | 2/3 | 6.49s | |
| #18 | Gemini 3.1 Pro Preview medium | 1 | 7.7 | $1.352 | 2/3 | 20.3s | |
| #19 | Gemini 3.7 Flash low | 1 | 8.2 | $0.207 | 2/3 | 3.09s | |
| #22 | Gemini 3.8 Flash medium | 1 | 8.2 | $0.653 | 2/3 | 31.8s | |
| #25 | Claude Fable 5.1 high | Anthropic | 1 | 7.7 | $3.364 | 2/3 | 24.3s |
| #38 | Gemini 3.6 Flash low | 1 | 7.6 | $0.251 | 2/3 | 4.65s | |
| #57 | Claude Fable 5.1 medium | Anthropic | 1 | 7.7 | $2.909 | 2/3 | 19.3s |
| #64 | Inkling high | Thinkingmachines | 1 | 7.7 | $1.046 | 2/3 | 174.7s |
| #106 | Qwen3.7 Max none | Qwen | 1 | 7.7 | $0.197 | 2/3 | 1.24s |
| #113 | Claude Sonnet 4.6 none | Anthropic | 1 | 7.7 | $0.661 | 2/3 | 2.27s |