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.
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) |
|---|---|---|---|---|---|---|---|
| #346 | KAT Coder AIR V2.5 medium | Kwaipilot | 1 | 0.6 | $0.048 | 1/2 | 3.65s |
| #350 | Mercury 2.5 Preview low | Inception | 1 | 0.6 | $0.015 | 1/2 | 1.12s |
| #351 | MiniMax M2.7 medium | Minimax | 1 | 0.6 | $0.326 | 1/2 | 21.9s |
| #354 | KAT Coder AIR V2.5 low | Kwaipilot | 1 | 0.6 | $0.046 | 1/2 | 2.82s |
| #357 | Qwen3 Coder Next default | Qwen | 1 | 0.6 | $0.067 | 1/2 | 1.32s |
| #363 | Hy4 preview none | Tencent | 1 | 0.9 | $0.165 | 1/2 | 22.8s |
| #366 | GLM 4.7 Flash none | Z.ai | 1 | 0.7 | $0.027 | 1/2 | 4.82s |
| #367 | Mercury 2.5 Preview default | Inception | 1 | 0.6 | $0.023 | 1/2 | 1.04s |
| #368 | Nemotron 3.5 Lightning medium | NVIDIA | 1 | 0.4 | $0.195 | 0/2 | 23.2s |
| #371 | Granite 4.2 8B high | IBM Granite | 1 | 0.4 | $0.111 | 0/2 | 56.5s |
| #372 | Qwen3 Coder Next medium | Qwen | 1 | 0.6 | $0.071 | 1/2 | 81.8s |
| #373 | DeepSeek V3.2 none | DeepSeek | 1 | 0.6 | $0.119 | 1/2 | 9.42s |
| #374 | GPT-5.4 Nano none | OpenAI | 1 | 0.6 | $0.068 | 1/2 | 1.11s |
| #378 | Nemotron 3.5 Lightning low | NVIDIA | 1 | 0.3 | $0.175 | 0/2 | 31.3s |
| #382 | Ling 2.6 Flash default | Inclusionai | 1 | 0.6 | $0.002 | 1/2 | 8.48s |