Peringkat Spesifik domain x Jawaban salah

Lihat model AI mana yang paling mungkin mengalami Jawaban salah di Spesifik domain, agar Anda bisa menemukan titik lemahnya lebih cepat.

Model yang ditampilkan

Total kegagalan

878

Model yang paling terdampak

Claude Opus 5 3

Alasan kegagalan

Jawaban salah878 Tidak ada jawaban63 Kedaluwarsa46 Kesalahan API40 Format tambahan36 Tidak mengikuti instruksi3

Kategori

Spesifik domain878 Trik anti-AI502 Pemrograman477 Pemecahan teka-teki344 Pengetahuan umum306 Kecerdasan umum129 Gabungan126 Tugas agen126 Kepatuhan instruksi111 Parsing dan ekstraksi data93

414/414

Peringkat	Model	Perusahaan	Jumlah Jawaban salah	Skor kategori	Total Biaya	Tes benar	Waktu respons (rata-rata)
#385	GLM 4.7 Flash medium	Z.ai	2	0.3	$0.193	0/3	96.7s
Total Tes 3 Tes Salah 3 Total Biaya $0.193 Waktu respons (rata-rata) 96.7s
#387	GLM 5 Turbo none	Z.ai	2	0.5	$0.047	1/3	1.97s
Total Tes 3 Tes Salah 2 Total Biaya $0.047 Waktu respons (rata-rata) 1.97s
#388	Mercury 2.5 none	Inception	2	0.5	$0.026	1/3	533ms
Total Tes 3 Tes Salah 2 Total Biaya $0.026 Waktu respons (rata-rata) 533ms
#389	Qwen3.6 Plus Preview medium	Qwen	2	0.3	$0.000	0/3	22.1s
Total Tes 3 Tes Salah 3 Total Biaya $0.000 Waktu respons (rata-rata) 22.1s
#391	Grok 4.20 Multi Agent Beta medium	X AI	2	0.3	$5.599	0/3	24.7s
Total Tes 3 Tes Salah 3 Total Biaya $5.599 Waktu respons (rata-rata) 24.7s
#394	Laguna M.1 medium	Poolside	2	0.5	$0.033	1/3	24.1s
Total Tes 3 Tes Salah 2 Total Biaya $0.033 Waktu respons (rata-rata) 24.1s
#395	Ling 3.0 Tiny default	Inclusionai	2	0.3	$0.000	0/3	880ms
Total Tes 3 Tes Salah 3 Total Biaya $0.000 Waktu respons (rata-rata) 880ms
#406	Hunter Alpha default	OpenRouter	2	0.5	$0.000	1/3	2.33s
Total Tes 3 Tes Salah 2 Total Biaya $0.000 Waktu respons (rata-rata) 2.33s
#407	Grok 4.20 none	X AI	2	0.3	$0.057	0/3	687ms
Total Tes 3 Tes Salah 3 Total Biaya $0.057 Waktu respons (rata-rata) 687ms
#409	Laguna Xs.2 medium	Poolside	2	0.4	$0.015	0/3	11.1s
Total Tes 3 Tes Salah 3 Total Biaya $0.015 Waktu respons (rata-rata) 11.1s
#410	Hy3 preview none	Tencent	2	0.4	$0.007	0/3	17.6s
Total Tes 3 Tes Salah 3 Total Biaya $0.007 Waktu respons (rata-rata) 17.6s
#411	MiMo-V2-Flash default	Xiaomi	2	0.5	$0.025	1/3	564ms
Total Tes 3 Tes Salah 2 Total Biaya $0.025 Waktu respons (rata-rata) 564ms
#413	Grok Build 0.1 none	X AI	2	0.4	$0.547	0/3	103.7s
Total Tes 3 Tes Salah 3 Total Biaya $0.547 Waktu respons (rata-rata) 103.7s
#415	Grok 4.1 Fast default	X AI	2	0.6	$0.008	1/3	1.06s
Total Tes 3 Tes Salah 2 Total Biaya $0.008 Waktu respons (rata-rata) 1.06s
#416	Laguna Xs.2 default	Poolside	2	0.5	$0.004	1/3	371ms
Total Tes 3 Tes Salah 2 Total Biaya $0.004 Waktu respons (rata-rata) 371ms

Filter model

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang

Spesifik domain: Jawaban salah

Filter model

Model teratas menurut Jumlah Jawaban salah

Jumlah Jawaban salah vs Skor

Model teratas menurut Waktu respons (rata-rata)

Model teratas menurut Perkiraan biaya terbuang