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) |
|---|---|---|---|---|---|---|---|
| #238 | Qwen3.5-122B-A10B none | Qwen | 2 | 0.5 | $0.308 | 1/3 | 523ms |
| #244 | Kimi K2.5 medium | Moonshot AI | 2 | 0.3 | $0.841 | 0/3 | 111.6s |
| #249 | Dots 3 Note Preview high | Dots Studio | 2 | 0.5 | $0.000 | 1/3 | 69.4s |
| #251 | LongCat 2.0 none | Meituan | 2 | 0.5 | $0.104 | 1/3 | 1.68s |
| #254 | Gemini 3.5 Flash Lite low | 2 | 0.6 | $0.183 | 1/3 | 3.55s | |
| #261 | Claude Opus 4.6 medium | Anthropic | 2 | 0.3 | $2.961 | 0/3 | 42.5s |
| #262 | Space Bunny Alpha medium | Stealth | 2 | 0.5 | $0.000 | 1/3 | 105.6s |
| #263 | DeepSeek V3.2 medium | DeepSeek | 2 | 0.3 | $0.152 | 0/3 | 22.9s |
| #264 | Trinity Large Thinking low | Arcee AI | 2 | 0.3 | $0.918 | 0/3 | 140.3s |
| #269 | GLM 5 Turbo medium | Z.ai | 2 | 0.3 | $0.323 | 0/3 | 71.1s |
| #270 | DeepSeek V4 Flash 0731 none | DeepSeek | 2 | 0.5 | $0.053 | 1/3 | 1.17s |
| #271 | Gemini 3.1 Flash Lite Preview none | 2 | 0.5 | $0.090 | 1/3 | 811ms | |
| #273 | Gemini 3.5 Flash none | 2 | 0.5 | $1.752 | 1/3 | 12.2s | |
| #275 | Trinity Large Thinking medium | Arcee AI | 2 | 0.5 | $0.862 | 1/3 | 124.2s |
| #277 | Inkling none | Thinkingmachines | 2 | 0.5 | $0.292 | 1/3 | 1.18s |