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: बरोबर चाचण्या ↑.
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) |
|---|---|---|---|---|---|---|---|
| #98 | Gemini 4 Argon low | 1 | 0.4 | $0.438 | 0/2 | 11.9s | |
| #152 | GLM 5.3 FlashX high | Z.ai | 2 | 0.3 | $0.210 | 0/2 | 27.7s |
| #168 | Gemini 3.8 Flash low | 1 | 0.4 | $0.323 | 0/2 | 19.6s | |
| #177 | GLM 5.3 FlashX medium | Z.ai | 1 | 0.3 | $0.114 | 0/2 | 16.0s |
| #188 | Gemini 3 Flash Preview low | 2 | 0.3 | $0.254 | 0/2 | 10.2s | |
| #193 | GPT-5.6 Luna low | OpenAI | 1 | 0.3 | $0.049 | 0/2 | 13.7s |
| #205 | Qwen3.5-Flash none | Qwen | 1 | 0.3 | $0.089 | 0/2 | 243.6s |
| #213 | GLM 5.3 Flash low | Z.ai | 1 | 0.4 | $0.038 | 0/2 | 54.7s |
| #224 | Mercury 2.5 Preview high | Inception | 1 | 0.4 | $0.040 | 0/2 | 14.4s |
| #227 | GLM 5.3 low | Z.ai | 1 | 0.4 | $0.215 | 0/2 | 53.0s |
| #232 | Qwen3.5-122B-A10B none | Qwen | 1 | 0.5 | $0.308 | 0/2 | 129.3s |
| #233 | Gemini 3 Flash Preview none | 1 | 0.4 | $0.155 | 0/2 | 12.4s | |
| #247 | Gemini 3.5 Flash Lite low | 1 | 0.4 | $0.183 | 0/2 | 11.0s | |
| #248 | Gemini 3.1 Flash Lite Preview low | 1 | 0.3 | $0.736 | 0/2 | 160.6s | |
| #249 | Gemini 3.1 Flash Lite low | 1 | 0.3 | $0.717 | 0/2 | 161.2s |