अँटी-एआय युक्त्या x चुकीचे उत्तर क्रमवारी

अँटी-एआय युक्त्या मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.

दाखवलेली मॉडेल्स

एकूण अपयशे

502

सर्वाधिक प्रभावित मॉडेल

Qwen3.5-Flash 4

अयशस्वी होण्याची कारणे

चुकीचे उत्तर502 सूचनांचे पालन केले नाही52 API त्रुटी44 अतिरिक्त फॉरमॅटिंग34 उत्तर नाही13 वेळ संपला8

श्रेणी

डोमेन-विशिष्ट878 अँटी-एआय युक्त्या502 कोडिंग477 कोडी सोडवणे344 सामान्य ज्ञान306 Samanya Buddhimatta129 संयुक्त126 स्वायत्त एजंट कार्ये126 सूचनांचे पालन111 डेटा पार्सिंग आणि निष्कर्षण93

249/249

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	श्रेणी स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#293	GPT-5 Nano medium	OpenAI	2	0.6	$0.159	2/4	25.5s
एकूण चाचण्या 4 चुकीच्या चाचण्या 2 एकूण खर्च $0.159 प्रतिसाद वेळ (सरासरी) 25.5s
#298	Gemma 4 31B none	Google	2	0.7	$0.031	2/4	1.85s
एकूण चाचण्या 4 चुकीच्या चाचण्या 2 एकूण खर्च $0.031 प्रतिसाद वेळ (सरासरी) 1.85s
#299	Space Bunny Alpha low	Stealth	2	0.7	$0.000	2/4	2.75s
एकूण चाचण्या 4 चुकीच्या चाचण्या 2 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 2.75s
#305	Nemotron 3.5 Super VL none	NVIDIA	2	0.7	$0.040	2/4	3.08s
एकूण चाचण्या 4 चुकीच्या चाचण्या 2 एकूण खर्च $0.040 प्रतिसाद वेळ (सरासरी) 3.08s
#308	Ling 3.1 Flash none	Inclusionai	2	0.4	$0.000	0/4	2.02s
एकूण चाचण्या 4 चुकीच्या चाचण्या 4 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 2.02s
#313	Seed-2.0-Code none	Bytedance Seed	2	0.3	$0.257	0/4	5.06s
एकूण चाचण्या 4 चुकीच्या चाचण्या 4 एकूण खर्च $0.257 प्रतिसाद वेळ (सरासरी) 5.06s
#315	Qwen3.8 27B none	Qwen	2	0.7	~$0.010	2/4	828ms
एकूण चाचण्या 4 चुकीच्या चाचण्या 2 एकूण खर्च ~$0.010 प्रतिसाद वेळ (सरासरी) 828ms
#320	Ember-1 none	Fireworks	2	0.5	$0.786	1/4	22.4s
एकूण चाचण्या 4 चुकीच्या चाचण्या 3 एकूण खर्च $0.786 प्रतिसाद वेळ (सरासरी) 22.4s
#326	Laguna XS 2.1 none	Poolside	2	0.5	$0.020	1/4	755ms
एकूण चाचण्या 4 चुकीच्या चाचण्या 3 एकूण खर्च $0.020 प्रतिसाद वेळ (सरासरी) 755ms
#336	Mercury 2.5 low	Inception	2	0.7	$0.020	2/4	799ms
एकूण चाचण्या 4 चुकीच्या चाचण्या 2 एकूण खर्च $0.020 प्रतिसाद वेळ (सरासरी) 799ms
#341	Mercury 2.5 Preview low	Inception	2	0.6	$0.015	1/4	759ms
एकूण चाचण्या 4 चुकीच्या चाचण्या 3 एकूण खर्च $0.015 प्रतिसाद वेळ (सरासरी) 759ms
#345	KAT Coder AIR V2.5 low	Kwaipilot	2	0.7	$0.046	2/4	3.50s
एकूण चाचण्या 4 चुकीच्या चाचण्या 2 एकूण खर्च $0.046 प्रतिसाद वेळ (सरासरी) 3.50s
#348	Qwen3 Coder Next default	Qwen	2	0.4	$0.067	0/4	3.31s
एकूण चाचण्या 4 चुकीच्या चाचण्या 4 एकूण खर्च $0.067 प्रतिसाद वेळ (सरासरी) 3.31s
#359	Nemotron 3.5 Lightning medium	NVIDIA	2	0.7	$0.195	2/4	12.3s
एकूण चाचण्या 4 चुकीच्या चाचण्या 2 एकूण खर्च $0.195 प्रतिसाद वेळ (सरासरी) 12.3s
#360	North Mini Code default	Cohere	2	0.3	$0.000	0/4	22.5s
एकूण चाचण्या 4 चुकीच्या चाचण्या 4 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 22.5s

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स

अँटी-एआय युक्त्या: चुकीचे उत्तर

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स