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
299/299
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) |
|---|---|---|---|---|---|---|---|
| #16 | Claude Opus 5 medium | Anthropic | 3 | 2.9 | $1.586 | 0/3 | 26.3s |
| #19 | Qwen3.7 Max medium | Qwen | 3 | 4.1 | $1.157 | 0/3 | 52.5s |
| #23 | Qwen3.8 Max medium | Qwen | 3 | 3.0 | $0.771 | 0/3 | 41.8s |
| #29 | Muse Spark 1.3 medium | Meta | 3 | 3.5 | $1.469 | 0/3 | 132.3s |
| #30 | Gemini 3.5 Flash Lite high | 3 | 3.6 | $0.540 | 0/3 | 23.1s | |
| #31 | Claude Opus 4.8 medium | Anthropic | 3 | 3.6 | $1.983 | 0/3 | 18.1s |
| #36 | Muse Spark 1.2 high | Meta | 3 | 4.1 | $1.771 | 0/3 | 108.9s |
| #38 | Muse Spark 1.1 medium | Meta | 3 | 3.5 | $1.420 | 0/3 | 80.8s |
| #41 | Qwen3.8 Max low | Qwen | 3 | 2.9 | $0.702 | 0/3 | 40.1s |
| #46 | Grok 4.5 low | X AI | 3 | 2.9 | $0.945 | 0/3 | 77.1s |
| #49 | Seed 2.1 Turbo medium | Bytedance Seed | 3 | 2.9 | $1.951 | 0/3 | 656.0s |
| #54 | Muse Spark 1.3 low | Meta | 3 | 3.5 | $0.689 | 0/3 | 45.6s |
| #61 | DeepSeek V4 Flash 0731 low | DeepSeek | 3 | 3.0 | $0.044 | 0/3 | 255.5s |
| #70 | Qwen3.7 Plus medium | Qwen | 3 | 3.6 | $0.277 | 0/3 | 60.1s |
| #71 | Qwen3.6 Plus medium | Qwen | 3 | 2.9 | $0.418 | 0/3 | 46.4s |