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.
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) |
|---|---|---|---|---|---|---|---|
| #180 | Qwen3.5-Flash medium | Qwen | 2 | 0.4 | $0.184 | 0/3 | 58.9s |
| #183 | GPT-6 Sol none | OpenAI | 2 | 0.5 | $0.551 | 1/3 | 12.2s |
| #184 | Space Bunny Alpha max | Stealth | 2 | 0.6 | $0.000 | 1/3 | 17.1s |
| #188 | Qwen3.5-Flash none | Qwen | 2 | 0.5 | $0.089 | 1/3 | 850ms |
| #193 | GPT 5.3 Chat default | OpenAI | 2 | 0.6 | $0.533 | 1/3 | 10.5s |
| #194 | GPT-5.6 Sol none | OpenAI | 2 | 0.5 | $0.795 | 1/3 | 1.39s |
| #196 | GLM 5.3 Flash low | Z.ai | 2 | 0.5 | $0.038 | 1/3 | 10.4s |
| #197 | GPT-5.5 none | OpenAI | 2 | 0.5 | $1.212 | 1/3 | 1.35s |
| #198 | GLM 5.2 none | Z.ai | 2 | 0.4 | $0.250 | 0/3 | 7.55s |
| #199 | Qwen3.7 Flash medium | Qwen | 2 | 0.6 | $0.076 | 1/3 | 46.8s |
| #207 | Mercury 2.5 high | Inception | 2 | 0.6 | $0.044 | 1/3 | 6.58s |
| #208 | GLM 5.3 low | Z.ai | 2 | 0.6 | $0.215 | 1/3 | 21.0s |
| #210 | KAT-Coder-Pro V2.5 high | Kwaipilot | 2 | 0.6 | $0.506 | 1/3 | 22.0s |
| #212 | Laguna XS 2.1 medium | Poolside | 2 | 0.5 | $0.083 | 1/3 | 70.3s |
| #214 | Gemini 3 Flash Preview none | 2 | 0.5 | $0.155 | 1/3 | 1.80s |