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) |
|---|---|---|---|---|---|---|---|
| #346 | KAT Coder AIR V2.5 medium | Kwaipilot | 2 | 0.3 | $0.048 | 0/3 | 6.58s |
| #355 | Grok 4.20 Beta medium | X AI | 2 | 0.5 | $0.750 | 1/3 | 21.3s |
| #356 | Inkling Small none | Thinkingmachines | 2 | 0.5 | $0.054 | 1/3 | 442ms |
| #357 | Qwen3 Coder Next default | Qwen | 2 | 0.5 | $0.067 | 1/3 | 871ms |
| #359 | Gemini 3 PRO Preview medium | 2 | 0.5 | $0.385 | 1/3 | 7.01s | |
| #363 | Hy4 preview none | Tencent | 2 | 0.7 | $0.165 | 1/3 | 25.6s |
| #365 | Hy3 preview high | Tencent | 2 | 0.5 | $0.135 | 1/3 | 109.0s |
| #366 | GLM 4.7 Flash none | Z.ai | 2 | 0.5 | $0.027 | 1/3 | 2.22s |
| #371 | Granite 4.2 8B high | IBM Granite | 2 | 0.3 | $0.111 | 0/3 | 167.2s |
| #376 | GLM 5V Turbo none | Z.ai | 2 | 0.5 | $0.052 | 1/3 | 2.09s |
| #379 | Owl Alpha medium | Openrouter | 2 | 0.5 | $0.000 | 1/3 | 8.58s |
| #380 | Mimo V2 PRO default | Xiaomi | 2 | 0.5 | $0.045 | 1/3 | 1.78s |
| #381 | Owl Alpha default | Openrouter | 2 | 0.5 | $0.000 | 1/3 | 3.00s |
| #383 | Hy3 preview low | Tencent | 2 | 0.6 | $0.042 | 1/3 | 40.4s |
| #384 | Ring 2.6 1t default | Inclusionai | 2 | 0.5 | $0.026 | 1/3 | 56.8s |