डोमेन-विशिष्ट: चुकीचे उत्तर
डोमेन-विशिष्ट
चुकीचे उत्तर
डोमेन-विशिष्ट मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.
अयशस्वी होण्याची कारणे
423/423
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) |
|---|---|---|---|---|---|---|---|
| #28 | Claude Opus 5 medium | Anthropic | 3 | 0.3 | $2.870 | 0/3 | 26.3s |
| #35 | Qwen3.8 MAX medium | Qwen | 3 | 0.3 | $1.181 | 0/3 | 41.8s |
| #47 | Qwen3.8 Max (0902) medium | Qwen | 3 | 0.4 | $1.096 | 0/3 | 49.4s |
| #48 | Muse Spark 1.3 medium | Meta | 3 | 0.3 | $1.712 | 0/3 | 132.3s |
| #49 | Gemini 3.5 Flash Lite high | 3 | 0.4 | $0.624 | 0/3 | 23.1s | |
| #55 | Muse Spark 1.2 high | Meta | 3 | 0.4 | $2.018 | 0/3 | 108.9s |
| #57 | Muse Spark 1.1 medium | Meta | 3 | 0.3 | $1.665 | 0/3 | 80.8s |
| #60 | Qwen3.8 MAX low | Qwen | 3 | 0.3 | $1.089 | 0/3 | 40.1s |
| #64 | DeepSeek V4.1 Flash medium | DeepSeek | 3 | 0.3 | $0.591 | 0/3 | 153.0s |
| #69 | Seed 2.1 Turbo medium | Bytedance Seed | 3 | 0.3 | $2.042 | 0/3 | 656.0s |
| #71 | DeepSeek V4.1 Flash max | DeepSeek | 3 | 0.4 | $1.204 | 0/3 | 198.4s |
| #73 | Claude Sonnet 5.5 xhigh | Anthropic | 3 | 0.3 | $1.516 | 0/3 | 35.3s |
| #74 | Claude Sonnet 5.5 high | Anthropic | 3 | 0.3 | $1.175 | 0/3 | 17.5s |
| #78 | Muse Spark 1.3 low | Meta | 3 | 0.3 | $0.911 | 0/3 | 45.6s |
| #80 | Qwen3.7 Max medium | Qwen | 3 | 0.4 | $1.689 | 0/3 | 52.5s |