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
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) |
|---|---|---|---|---|---|---|---|
| #61 | GPT-5.4 medium | OpenAI | 2 | 0.5 | $2.213 | 1/3 | 72.4s |
| #62 | Muse Spark Open medium | Meta | 2 | 0.6 | $1.260 | 1/3 | 216.2s |
| #63 | DeepSeek V4.1 Flash high | DeepSeek | 2 | 0.5 | $0.617 | 1/3 | 127.3s |
| #65 | Muse Spark 1.2 low | Meta | 2 | 0.5 | $0.881 | 1/3 | 28.5s |
| #70 | GPT-6 Sol low | OpenAI | 2 | 0.5 | $0.477 | 1/3 | 11.5s |
| #72 | Muse Spark 1.1 low | Meta | 2 | 0.4 | $0.885 | 0/3 | 33.0s |
| #76 | Qwen3.8 Max (0902) low | Qwen | 2 | 0.5 | $1.131 | 1/3 | 34.9s |
| #77 | Grok 4.6 high | X AI | 2 | 0.5 | $2.629 | 1/3 | 369.9s |
| #79 | Claude Sonnet 5 medium | Anthropic | 2 | 0.5 | $1.438 | 1/3 | 20.5s |
| #84 | GPT-5 Mini medium | OpenAI | 2 | 0.3 | $0.315 | 0/3 | 44.7s |
| #85 | Muse Glimmer 30B xhigh | Meta | 2 | 0.3 | $0.585 | 0/3 | 142.6s |
| #89 | DeepSeek V4 Flash 0731 high | DeepSeek | 2 | 0.3 | $0.576 | 0/3 | 458.6s |
| #91 | GPT-5.6 Terra high | OpenAI | 2 | 0.5 | $0.698 | 1/3 | 42.6s |
| #93 | Gemini 3.5 Flash high | 2 | 0.5 | $2.737 | 1/3 | 17.0s | |
| #95 | GPT-6 Luna medium | OpenAI | 2 | 0.6 | $0.047 | 1/3 | 22.7s |