कोडिंग: चुकीचे उत्तर
कोडिंग
चुकीचे उत्तर
कोडिंग मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: अपयशांची संख्या ↑.
अयशस्वी होण्याची कारणे
197/197
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #5 | Gemini 3 Flash Preview medium | 1 | 8.6 | $0.763 | 2/3 | 84.4s | |
| #7 | Gemini 3.7 Flash medium | 1 | 8.4 | $0.155 | 2/3 | 8.86s | |
| #12 | Gemini 3.1 Pro Preview medium | 1 | 7.9 | $1.352 | 2/3 | 40.2s | |
| #13 | Gemini 3.7 Flash low | 1 | 7.6 | $0.104 | 2/3 | 6.20s | |
| #19 | GPT-5.5 medium | OpenAI | 1 | 8.8 | $4.163 | 2/3 | 59.8s |
| #24 | Gemini 3.5 Flash low | 1 | 7.8 | $0.449 | 2/3 | 6.71s | |
| #25 | Gemini 3.5 Flash Lite high | 1 | 8.4 | $0.540 | 2/3 | 16.6s | |
| #27 | Claude Opus 5 low | Anthropic | 1 | 7.8 | $1.121 | 2/3 | 6.70s |
| #28 | Gemini 3.6 Flash low | 1 | 7.8 | $0.251 | 2/3 | 6.95s | |
| #29 | Claude Opus 4.7 medium | Anthropic | 1 | 7.6 | $1.476 | 2/3 | 13.0s |
| #34 | Qwen3.6 Max Preview medium | Qwen | 1 | 8.8 | $1.132 | 2/3 | 146.5s |
| #35 | Qwen3.8 Max low | Qwen | 1 | 8.4 | $0.702 | 2/3 | 28.7s |
| #36 | GPT-5.4 medium | OpenAI | 1 | 8.8 | $1.560 | 2/3 | 44.4s |
| #37 | Grok 4.5 medium | X AI | 1 | 7.6 | $2.042 | 2/3 | 155.7s |
| #38 | Muse Spark 1.2 low | Meta | 1 | 8.4 | $0.655 | 2/3 | 10.1s |