डेटा पार्सिंग आणि निष्कर्षण: चुकीचे उत्तर
डेटा पार्सिंग आणि निष्कर्षण
चुकीचे उत्तर
डेटा पार्सिंग आणि निष्कर्षण 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
80/80
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) |
|---|---|---|---|---|---|---|---|
| #434 | Decider V1.1 27B default | Perplexity | 1 | 0.6 | $0.002 | 1/2 | 286ms |
| #438 | Jev 1.14 default | Typesafe | 1 | 0.7 | $0.003 | 1/2 | 335ms |
| #443 | D1 default | Liquid | 1 | 0.6 | $0.003 | 1/2 | 418ms |
| #441 | Decider Flash V1.2 default | Perplexity | 1 | 0.7 | $0.001 | 1/2 | 422ms |
| #433 | Decider V1.2 default | Perplexity | 1 | 0.6 | $0.001 | 1/2 | 482ms |
| #449 | Tev1 4B Experimental default | Togethercomputer | 2 | 0.3 | $0.002 | 0/2 | 509ms |
| #405 | Granite 4.1 8b default | IBM Granite | 2 | 0.3 | $0.007 | 0/2 | 575ms |
| #430 | d1-ultra default | Liquid | 1 | 0.7 | $0.003 | 1/2 | 587ms |
| #391 | Mercury 2 none | Inception | 1 | 0.7 | $0.033 | 1/2 | 667ms |
| #428 | Span-02 default | Respan | 1 | 0.7 | $0.001 | 1/2 | 710ms |
| #445 | LFM2-24B-A2B default | Liquid | 2 | 0.3 | $0.001 | 0/2 | 714ms |
| #450 | Nimble v3 9B default | Bespoke Labs | 2 | 0.3 | ~$0.001 | 0/2 | 880ms |
| #414 | Elephant Alpha medium | Openrouter | 1 | 0.6 | $0.000 | 1/2 | 979ms |
| #367 | Mercury 2.5 Preview default | Inception | 1 | 0.6 | $0.023 | 1/2 | 1.04s |
| #413 | Elephant Alpha default | Openrouter | 1 | 0.6 | $0.000 | 1/2 | 1.04s |