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: प्रतिसाद वेळ (सरासरी) ↑.
अयशस्वी होण्याची कारणे
265/265
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) |
|---|---|---|---|---|---|---|---|
| #395 | Decider V1.1 27B default | Perplexity | 1 | 0.5 | $0.002 | 1/2 | 305ms |
| #396 | GPT-6 Luna Decisions default | OpenAI | 2 | 0.3 | $0.005 | 0/2 | 447ms |
| #399 | D1 default | Liquid | 2 | 0.2 | $0.003 | 0/2 | 456ms |
| #333 | Mercury 2.5 Preview default | Inception | 3 | 0.5 | $0.023 | 0/3 | 459ms |
| #336 | Laguna S 2.1 none | Poolside | 3 | 0.3 | $0.044 | 0/3 | 550ms |
| #394 | Jev 1.13 default | Typesafe | 2 | 0.2 | $0.003 | 0/2 | 598ms |
| #301 | Laguna XS 2.1 none | Poolside | 3 | 0.4 | $0.020 | 0/3 | 623ms |
| #284 | Gemini 2.5 Flash none | 2 | 0.5 | $0.017 | 1/3 | 736ms | |
| #293 | MiMo-V2.6-Flash none | Xiaomi | 2 | 0.4 | $0.060 | 0/3 | 744ms |
| #322 | Inkling Small none | Thinkingmachines | 3 | 0.4 | $0.054 | 0/3 | 759ms |
| #397 | Kev 4B default | Jaredpalmer | 1 | 0.5 | $0.002 | 1/2 | 771ms |
| #371 | Granite 4.1 8b default | IBM Granite | 1 | 0.4 | $0.007 | 0/3 | 775ms |
| #257 | Gemini 3.1 Flash Lite minimal | 2 | 0.5 | $0.080 | 1/3 | 831ms | |
| #188 | Qwen3.5-Flash none | Qwen | 2 | 0.5 | $0.089 | 1/3 | 850ms |
| #310 | Mistral Small 4 none | Mistral | 3 | 0.4 | $0.047 | 0/3 | 901ms |