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
299/299
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) |
|---|---|---|---|---|---|---|---|
| #102 | Kimi K2.7 Code medium | Moonshot AI | 1 | 3.7 | $0.687 | 0/3 | 184.2s |
| #108 | Claude Sonnet 4.6 none | Anthropic | 1 | 7.7 | $0.661 | 2/3 | 2.27s |
| #109 | GLM 5.3 high | Z.ai | 1 | 2.9 | $0.403 | 0/3 | 112.3s |
| #129 | GLM 5.1 medium | Z.ai | 1 | 3.0 | $0.727 | 0/3 | 114.0s |
| #132 | Grok 4.20 medium | X AI | 1 | 2.9 | $0.805 | 0/3 | 49.7s |
| #133 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 3.0 | $0.116 | 0/3 | 103.4s |
| #148 | Gemini 3 Flash Preview none | 1 | 7.7 | $0.085 | 2/3 | 879ms | |
| #149 | Gemma 4 26B A4B medium | 1 | 5.3 | $0.092 | 1/3 | 35.1s | |
| #150 | GLM 5.2 none | Z.ai | 1 | 7.7 | $0.153 | 2/3 | 6.35s |
| #152 | LongCat 2.0 low | Meituan | 1 | 2.9 | $0.412 | 0/3 | 183.6s |
| #153 | Gemini 3.5 Flash minimal | 1 | 7.7 | $0.300 | 2/3 | 879ms | |
| #156 | Claude Opus 4.7 none | Anthropic | 1 | 7.7 | $0.505 | 2/3 | 1.19s |
| #159 | Gemini 3.1 Flash Lite Preview low | 1 | 7.7 | $0.646 | 2/3 | 2.10s | |
| #161 | Gemini 3.1 Flash Lite low | 1 | 7.7 | $0.621 | 2/3 | 1.44s | |
| #164 | Qwen3.5 Plus 2026-02-15 none | Qwen | 1 | 7.7 | $0.073 | 2/3 | 1.24s |