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) |
|---|---|---|---|---|---|---|---|
| #397 | Nemotron 3.5 Lightning none | NVIDIA | 1 | 0.3 | $0.009 | 0/2 | 2.02s |
| #399 | Ling 3.0 Tiny high | Inclusionai | 1 | 0.3 | $0.000 | 0/2 | 179.9s |
| #400 | Ling 3.0 Tiny low | Inclusionai | 1 | 0.3 | $0.000 | 0/2 | 134.8s |
| #401 | Ling 3.0 Tiny medium | Inclusionai | 1 | 0.3 | $0.000 | 0/2 | 139.8s |
| #404 | Elephant Alpha default | Openrouter | 1 | 0.2 | $0.000 | 0/1 | 3.81s |
| #405 | Elephant Alpha medium | Openrouter | 1 | 0.2 | $0.000 | 0/1 | 3.70s |
| #406 | Hunter Alpha default | OpenRouter | 1 | 0.2 | $0.000 | 0/1 | 15.2s |
| #409 | Laguna Xs.2 medium | Poolside | 1 | 0.2 | $0.015 | 0/1 | 15.9s |
| #410 | Hy3 preview none | Tencent | 1 | 0.2 | $0.007 | 0/1 | 35.8s |
| #411 | MiMo-V2-Flash default | Xiaomi | 1 | 0.2 | $0.025 | 0/1 | 2.87s |
| #415 | Grok 4.1 Fast default | X AI | 1 | 0.2 | $0.008 | 0/1 | 3.33s |
| #416 | Laguna Xs.2 default | Poolside | 1 | 0.2 | $0.004 | 0/1 | 2.01s |