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) |
|---|---|---|---|---|---|---|---|
| #304 | Qwen3.5-35B-A3B none | Qwen | 1 | 0.4 | $0.120 | 0/2 | 128.3s |
| #305 | Nemotron 3.5 Super VL none | NVIDIA | 1 | 0.3 | $0.040 | 0/2 | 451.9s |
| #307 | Kimi K2.6 none | Moonshot AI | 1 | 0.3 | $0.486 | 0/2 | 77.8s |
| #308 | Ling 3.1 Flash none | Inclusionai | 1 | 0.3 | $0.000 | 0/2 | 25.4s |
| #309 | Gemini 2.5 Flash none | 1 | 0.3 | $0.017 | 0/2 | 61.2s | |
| #310 | GPT-6 Luna none | OpenAI | 1 | 0.4 | $0.026 | 0/2 | 50.9s |
| #311 | Gemma 4 26B A4B none | 1 | 0.3 | $0.031 | 0/2 | 37.2s | |
| #313 | Seed-2.0-Code none | Bytedance Seed | 1 | 0.3 | $0.257 | 0/2 | 78.4s |
| #315 | Qwen3.8 27B none | Qwen | 1 | 0.3 | ~$0.010 | 0/2 | 24.1s |
| #318 | MiMo-V2.6-Flash none | Xiaomi | 1 | 0.4 | $0.060 | 0/2 | 4.78s |
| #320 | Ember-1 none | Fireworks | 1 | 0.3 | $0.786 | 0/2 | 49.0s |
| #322 | GPT-5.6 Luna none | OpenAI | 1 | 0.3 | $0.042 | 0/2 | 6.68s |
| #324 | Kimi K2.5 none | Moonshot AI | 1 | 0.3 | $0.262 | 0/2 | 61.0s |
| #325 | Qwen3.6 Max Preview none | Qwen | 1 | 0.7 | $0.228 | 1/2 | 61.6s |
| #326 | Laguna XS 2.1 none | Poolside | 1 | 0.3 | $0.020 | 0/2 | 10.4s |