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) |
|---|---|---|---|---|---|---|---|
| #83 | Qwen3.8 2.4T A95B low | Qwen | 3 | 0.3 | $4.016 | 0/3 | 287.7s |
| #96 | Claude Opus 4.8 medium | Anthropic | 3 | 0.4 | $3.490 | 0/3 | 18.1s |
| #98 | Qwen3.7 Plus medium | Qwen | 3 | 0.4 | $0.415 | 0/3 | 60.1s |
| #104 | Seed-2.0-Lite medium | Bytedance Seed | 3 | 0.4 | $0.271 | 0/3 | 84.4s |
| #105 | Seed-2.0-Code low | Bytedance Seed | 3 | 0.4 | $0.881 | 0/3 | 238.4s |
| #106 | DeepSeek V4 Pro 0423 high | DeepSeek | 3 | 0.4 | $0.149 | 0/3 | 249.5s |
| #108 | DeepSeek V4 Flash 0423 high | DeepSeek | 3 | 0.4 | $0.261 | 0/3 | 115.4s |
| #109 | DeepSeek V4.1 Flash low | DeepSeek | 3 | 0.3 | $0.494 | 0/3 | 95.6s |
| #111 | Nemotron 3 Ultra medium | NVIDIA | 3 | 0.4 | $0.674 | 0/3 | 35.2s |
| #114 | Qwen3.8 Flash Next low | Qwen | 3 | 0.4 | ~$0.045 | 0/3 | 23.3s |
| #119 | GPT-5.4 Mini medium | OpenAI | 3 | 0.4 | $1.102 | 0/3 | 71.1s |
| #122 | Qwen3.8 2.4T A95B high | Qwen | 3 | 0.4 | $2.949 | 0/3 | 301.1s |
| #132 | Grok 4.5 low | X AI | 3 | 0.3 | $1.345 | 0/3 | 77.1s |
| #133 | DeepSeek V4 Flash 0731 medium | DeepSeek | 3 | 0.3 | $0.460 | 0/3 | 203.1s |
| #139 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 3 | 0.3 | $0.435 | 0/3 | 57.4s |