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.
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) |
|---|---|---|---|---|---|---|---|
| #270 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 0.6 | $0.216 | 1/2 | 109.7s |
| #273 | KAT-Coder-Pro V2.5 default | Kwaipilot | 1 | 0.4 | $0.742 | 0/2 | 183.1s |
| #276 | GLM 5.3 FlashX low | Z.ai | 1 | 0.3 | $0.157 | 0/2 | 42.4s |
| #279 | Seed-2.0-Lite none | Bytedance Seed | 1 | 0.3 | $0.114 | 0/2 | 25.6s |
| #280 | Gemini 3.1 Flash Lite minimal | 1 | 0.3 | $0.080 | 0/2 | 7.75s | |
| #282 | Gemini 3.1 Flash Lite none | 1 | 0.3 | $0.069 | 0/2 | 9.49s | |
| #285 | Nemotron 3 Ultra none | NVIDIA | 1 | 0.3 | $0.164 | 0/2 | 21.1s |
| #286 | Qwen3.7 Flash none | Qwen | 1 | 0.4 | $0.028 | 0/2 | 94.6s |
| #287 | Qwen3.8 Flash Next none | Qwen | 1 | 0.3 | ~$0.011 | 0/2 | 12.0s |
| #289 | DeepSeek V4.1 Flash none | DeepSeek | 1 | 0.3 | $0.391 | 0/2 | 10.4s |
| #294 | GPT-5.4 Mini none | OpenAI | 1 | 0.7 | $0.170 | 1/2 | 6.22s |
| #296 | Seed 2.1 Turbo none | Bytedance Seed | 1 | 0.4 | $0.182 | 0/2 | 41.3s |
| #298 | Gemma 4 31B none | 1 | 0.4 | $0.031 | 0/2 | 30.0s | |
| #301 | Solar Pro 4 none | Upstage | 1 | 0.3 | $0.022 | 0/2 | 35.1s |
| #303 | GLM 5 none | Z.ai | 1 | 0.2 | $0.140 | 0/1 | 4.98s |