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
198/198
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) |
|---|---|---|---|---|---|---|---|
| #70 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 3 | 2.9 | $0.317 | 0/3 | 53.1s |
| #71 | Qwen3.7 Plus none | Qwen | 3 | 3.0 | $0.106 | 0/3 | 868ms |
| #72 | Qwen3.5-122B-A10B medium | Qwen | 3 | 2.9 | $1.046 | 0/3 | 63.4s |
| #78 | Mercury 2 medium | Inception | 3 | 2.9 | $0.093 | 0/3 | 6.48s |
| #81 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 3 | 2.9 | $0.467 | 0/3 | 29.0s |
| #83 | GPT-5.6 Sol none | OpenAI | 3 | 3.6 | $0.524 | 0/3 | 1.43s |
| #85 | Qwen3.6 Flash medium | Qwen | 3 | 3.5 | $0.738 | 0/3 | 14.6s |
| #87 | GPT-5.5 none | OpenAI | 3 | 2.9 | $0.544 | 0/3 | 1.31s |
| #92 | KAT-Coder-Pro V2.5 none | Kwaipilot | 3 | 3.6 | $0.476 | 0/3 | 21.6s |
| #99 | Qwen3.6 27B medium | Qwen | 3 | 2.9 | $0.779 | 0/3 | 73.4s |
| #102 | Laguna XS 2.1 medium | Poolside | 3 | 2.9 | $0.068 | 0/3 | 65.7s |
| #103 | Qwen3.5-27B none | Qwen | 3 | 3.0 | $0.090 | 0/3 | 540ms |
| #108 | Ring-2.6-1T medium | Inclusionai | 3 | 3.5 | $0.103 | 0/3 | 64.9s |
| #111 | LongCat 2.0 none | Meituan | 3 | 3.0 | $0.044 | 0/3 | 1.72s |
| #116 | Seed-2.0-Lite none | Bytedance Seed | 3 | 3.6 | $0.066 | 0/3 | 1.33s |