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) |
|---|---|---|---|---|---|---|---|
| #319 | GPT-6 Luna none | OpenAI | 2 | 0.5 | $0.026 | 1/3 | 8.24s |
| #320 | Gemma 4 26B A4B none | 2 | 0.5 | $0.031 | 1/3 | 2.10s | |
| #321 | GLM 5V Turbo medium | Z.ai | 2 | 0.5 | $0.457 | 1/3 | 38.1s |
| #325 | North Mini Code medium | Cohere | 2 | 0.3 | $0.000 | 0/3 | 107.2s |
| #327 | MiMo-V2.6-Flash none | Xiaomi | 2 | 0.5 | $0.060 | 1/3 | 722ms |
| #329 | Ember-1 none | Fireworks | 2 | 0.5 | $0.786 | 1/3 | 21.6s |
| #330 | Hy3 preview medium | Tencent | 2 | 0.5 | $0.049 | 1/3 | 22.3s |
| #332 | Granite 4.2 8B low | IBM Granite | 2 | 0.5 | $0.036 | 1/3 | 26.2s |
| #334 | Qwen3.6 Max Preview none | Qwen | 2 | 0.5 | $0.228 | 1/3 | 1.23s |
| #335 | Laguna XS 2.1 none | Poolside | 2 | 0.5 | $0.020 | 1/3 | 303ms |
| #337 | Inkling Small low | Thinkingmachines | 2 | 0.5 | $0.055 | 1/3 | 852ms |
| #338 | Ling 3.0 Flash none | Inclusionai | 2 | 0.3 | $0.004 | 0/3 | 840ms |
| #342 | MiMo-V2-Flash medium | Xiaomi | 2 | 0.6 | $0.043 | 1/3 | 96.0s |
| #343 | Mistral Small 4 medium | Mistral | 2 | 0.6 | $0.126 | 1/3 | 6.33s |
| #344 | Mistral Small 4 none | Mistral | 2 | 0.5 | $0.047 | 1/3 | 377ms |