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
198/198
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 | Muse Spark 1.1 medium | Meta | 3 | 3.5 | $1.357 | 0/3 | 71.4s |
| #19 | Qwen3.6 Max Preview medium | Qwen | 3 | 2.9 | $1.143 | 0/3 | 95.9s |
| #20 | Grok 4.5 low | X AI | 3 | 3.0 | $0.935 | 0/3 | 72.6s |
| #22 | Grok 4.5 medium | X AI | 3 | 2.9 | $1.928 | 0/3 | 198.9s |
| #24 | Muse Spark 1.1 low | Meta | 3 | 2.9 | $0.647 | 0/3 | 29.7s |
| #36 | Qwen3.7 Plus medium | Qwen | 3 | 3.6 | $0.267 | 0/3 | 45.3s |
| #37 | Qwen3.6 Plus medium | Qwen | 3 | 2.9 | $0.405 | 0/3 | 29.6s |
| #45 | DeepSeek V4 Flash high | DeepSeek | 3 | 4.1 | $0.042 | 0/3 | 100.3s |
| #51 | Nemotron 3 Ultra medium | NVIDIA | 3 | 3.5 | $0.774 | 0/3 | 24.9s |
| #54 | GPT-5.3 Chat none | OpenAI | 3 | 3.5 | $0.571 | 0/3 | 13.0s |
| #56 | GPT-5.4 Mini medium | OpenAI | 3 | 4.1 | $0.756 | 0/3 | 65.3s |
| #62 | KAT-Coder-Pro V2.5 low | Kwaipilot | 3 | 4.1 | $0.387 | 0/3 | 17.5s |
| #64 | Gemini 3.1 Flash Lite Preview medium | 3 | 3.0 | $0.115 | 0/3 | 4.21s | |
| #65 | Gemini 3.1 Flash Lite medium | 3 | 2.9 | $0.117 | 0/3 | 3.16s | |
| #69 | KAT-Coder-Pro V2.5 high | Kwaipilot | 3 | 2.9 | $0.482 | 0/3 | 35.3s |