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: एकूण खर्च ↓.
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) |
|---|---|---|---|---|---|---|---|
| #19 | GPT-5.5 medium | OpenAI | 1 | 8.8 | $4.163 | 2/3 | 59.8s |
| #67 | Claude Sonnet 4.6 medium | Anthropic | 1 | 5.7 | $2.126 | 1/3 | 33.3s |
| #70 | Claude Opus 4.8 low | Anthropic | 1 | 6.6 | $2.089 | 1/3 | 7.58s |
| #37 | Grok 4.5 medium | X AI | 1 | 7.6 | $2.042 | 2/3 | 155.7s |
| #39 | Grok 4.6 medium | X AI | 1 | 8.2 | $1.713 | 2/3 | 120.0s |
| #36 | GPT-5.4 medium | OpenAI | 1 | 8.8 | $1.560 | 2/3 | 44.4s |
| #81 | Claude Opus 5 none | Anthropic | 1 | 5.9 | $1.550 | 1/3 | 5.54s |
| #29 | Claude Opus 4.7 medium | Anthropic | 1 | 7.6 | $1.476 | 2/3 | 13.0s |
| #12 | Gemini 3.1 Pro Preview medium | 1 | 7.9 | $1.352 | 2/3 | 40.2s | |
| #129 | Step 3.7 Flash high | Stepfun | 1 | 4.0 | $1.229 | 0/3 | 206.2s |
| #104 | Claude Opus 4.8 none | Anthropic | 1 | 5.5 | $1.166 | 1/3 | 3.29s |
| #130 | Seed-2.0-Code medium | Bytedance Seed | 1 | 8.9 | $1.153 | 2/3 | 89.9s |
| #34 | Qwen3.6 Max Preview medium | Qwen | 1 | 8.8 | $1.132 | 2/3 | 146.5s |
| #89 | Grok Build 0.1 medium | X AI | 1 | 5.7 | $1.130 | 1/3 | 108.5s |
| #27 | Claude Opus 5 low | Anthropic | 1 | 7.8 | $1.121 | 2/3 | 6.70s |