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: बरोबर चाचण्या ↑.
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) |
|---|---|---|---|---|---|---|---|
| #27 | Claude Opus 5 high | Anthropic | 2 | 0.3 | $4.524 | 0/3 | 104.2s |
| #28 | Claude Opus 5 medium | Anthropic | 3 | 0.3 | $2.870 | 0/3 | 26.3s |
| #29 | Seed 2.1 Turbo low | Bytedance Seed | 1 | 0.3 | $1.645 | 0/3 | 424.5s |
| #30 | Muse Spark Open high | Meta | 2 | 0.4 | $1.782 | 0/3 | 412.1s |
| #35 | Qwen3.8 MAX medium | Qwen | 3 | 0.3 | $1.181 | 0/3 | 41.8s |
| #36 | DeepSeek V4.1 Flash 1017 low | DeepSeek | 2 | 0.4 | $0.355 | 0/3 | 174.6s |
| #40 | Muse Spark 1.3 high | Meta | 2 | 0.3 | $1.891 | 0/3 | 174.6s |
| #43 | Seed 2.1 Turbo high | Bytedance Seed | 2 | 0.3 | $1.892 | 0/3 | 506.2s |
| #45 | Muse Spark Open xhigh | Meta | 1 | 0.3 | $2.081 | 0/3 | 341.5s |
| #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 | |
| #53 | GLM 5.3 Flash max | Z.ai | 2 | 0.4 | $0.089 | 0/3 | 203.3s |
| #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 |