संयुक्त: चुकीचे उत्तर
संयुक्त
चुकीचे उत्तर
संयुक्त 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
117/117
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) |
|---|---|---|---|---|---|---|---|
| #416 | Laguna Xs.2 default | Poolside | 1 | 0.2 | $0.004 | 0/1 | 2.01s |
| #397 | Nemotron 3.5 Lightning none | NVIDIA | 1 | 0.3 | $0.009 | 0/2 | 2.02s |
| #382 | Mercury 2 none | Inception | 2 | 0.3 | $0.033 | 0/2 | 2.56s |
| #411 | MiMo-V2-Flash default | Xiaomi | 1 | 0.2 | $0.025 | 0/1 | 2.87s |
| #388 | Mercury 2.5 none | Inception | 1 | 0.3 | $0.026 | 0/2 | 3.24s |
| #415 | Grok 4.1 Fast default | X AI | 1 | 0.2 | $0.008 | 0/1 | 3.33s |
| #405 | Elephant Alpha medium | Openrouter | 1 | 0.2 | $0.000 | 0/1 | 3.70s |
| #404 | Elephant Alpha default | Openrouter | 1 | 0.2 | $0.000 | 0/1 | 3.81s |
| #328 | Inkling Small low | Thinkingmachines | 1 | 0.3 | $0.055 | 0/2 | 4.08s |
| #341 | Mercury 2.5 Preview low | Inception | 1 | 0.3 | $0.015 | 0/2 | 4.77s |
| #318 | MiMo-V2.6-Flash none | Xiaomi | 1 | 0.4 | $0.060 | 0/2 | 4.78s |
| #387 | GLM 5 Turbo none | Z.ai | 1 | 0.2 | $0.047 | 0/1 | 4.89s |
| #303 | GLM 5 none | Z.ai | 1 | 0.2 | $0.140 | 0/1 | 4.98s |
| #336 | Mercury 2.5 low | Inception | 1 | 0.3 | $0.020 | 0/2 | 5.16s |
| #376 | Mimo V2 Omni default | Xiaomi | 1 | 0.2 | $0.021 | 0/1 | 5.96s |