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. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.
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) |
|---|---|---|---|---|---|---|---|
| #175 | GLM 5 medium | Z.ai | 2 | 0.3 | $0.479 | 0/3 | 0ms |
| #450 | Nimble v3 9B default | Bespoke Labs | 2 | 0.2 | ~$0.001 | 0/2 | 80ms |
| #405 | Granite 4.1 8b default | IBM Granite | 3 | 0.3 | $0.007 | 0/3 | 287ms |
| #445 | LFM2-24B-A2B default | Liquid | 1 | 0.6 | $0.001 | 1/3 | 287ms |
| #335 | Laguna XS 2.1 none | Poolside | 2 | 0.5 | $0.020 | 1/3 | 303ms |
| #434 | Decider V1.1 27B default | Perplexity | 2 | 0.5 | $0.002 | 1/3 | 313ms |
| #370 | Laguna S 2.1 none | Poolside | 3 | 0.3 | $0.044 | 0/3 | 337ms |
| #425 | Laguna Xs.2 default | Poolside | 2 | 0.5 | $0.004 | 1/3 | 371ms |
| #344 | Mistral Small 4 none | Mistral | 2 | 0.5 | $0.047 | 1/3 | 377ms |
| #356 | Inkling Small none | Thinkingmachines | 2 | 0.5 | $0.054 | 1/3 | 442ms |
| #438 | Jev 1.14 default | Typesafe | 1 | 0.8 | $0.003 | 2/3 | 444ms |
| #318 | Gemini 2.5 Flash none | 3 | 0.4 | $0.017 | 0/3 | 449ms | |
| #296 | DeepSeek V4.1 Flash 1017 none | DeepSeek | 1 | 0.8 | $0.055 | 2/3 | 463ms |
| #431 | Nemotron 3 Nano Omni 30b A3b Reasoning default | NVIDIA | 3 | 0.4 | $0.000 | 0/3 | 489ms |
| #391 | Mercury 2 none | Inception | 2 | 0.6 | $0.033 | 1/3 | 500ms |