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) |
|---|---|---|---|---|---|---|---|
| #37 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.6 | $3.306 | 1/3 | 658.5s |
| #69 | Seed 2.1 Turbo medium | Bytedance Seed | 3 | 0.3 | $2.042 | 0/3 | 656.0s |
| #68 | MiMo-V2.6-Pro medium | Xiaomi | 1 | 0.3 | $0.586 | 0/3 | 619.7s |
| #67 | Qwen3.8 27B high | Qwen | 1 | 0.5 | ~$0.298 | 1/3 | 526.7s |
| #43 | Seed 2.1 Turbo high | Bytedance Seed | 2 | 0.3 | $1.892 | 0/3 | 506.2s |
| #214 | Ember-1 max | Fireworks | 2 | 0.4 | $3.264 | 0/3 | 471.2s |
| #326 | Hy4 preview low | Tencent | 3 | 0.5 | $1.844 | 0/3 | 470.2s |
| #89 | DeepSeek V4 Flash 0731 high | DeepSeek | 2 | 0.3 | $0.576 | 0/3 | 458.6s |
| #165 | LongCat 2.0 high | Meituan | 2 | 0.4 | $0.778 | 0/3 | 433.7s |
| #154 | Seed-2.0-Code medium | Bytedance Seed | 2 | 0.5 | $1.275 | 1/3 | 429.8s |
| #29 | Seed 2.1 Turbo low | Bytedance Seed | 1 | 0.3 | $1.645 | 0/3 | 424.5s |
| #150 | Seed-2.0-Code high | Bytedance Seed | 2 | 0.3 | $1.448 | 0/3 | 419.7s |
| #30 | Muse Spark Open high | Meta | 2 | 0.4 | $1.782 | 0/3 | 412.1s |
| #174 | LongCat 2.0 medium | Meituan | 2 | 0.3 | $0.767 | 0/3 | 390.6s |
| #407 | Xing4.0 29b A4b medium | Xingchen AGI | 1 | 0.4 | $0.000 | 0/3 | 381.9s |