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) |
|---|---|---|---|---|---|---|---|
| #173 | MiMo-V2.5 medium | Xiaomi | 1 | 3.6 | $0.104 | 0/3 | 137.7s |
| #176 | Mimo V2 PRO medium | Xiaomi | 1 | 5.3 | $0.333 | 1/3 | 8.82s |
| #183 | Qwen3.5-35B-A3B medium | Qwen | 1 | 3.5 | $1.140 | 0/3 | 76.4s |
| #193 | Nemotron 3 Ultra none | NVIDIA | 1 | 5.3 | $0.084 | 1/3 | 758ms |
| #204 | Mimo V2 Omni medium | Xiaomi | 1 | 3.0 | $0.683 | 0/3 | 47.9s |
| #208 | Seed 2.1 Turbo none | Bytedance Seed | 1 | 7.7 | $0.092 | 2/3 | 1.36s |
| #220 | KAT-Coder-Air V2.5 high | Kwaipilot | 1 | 3.0 | $0.077 | 0/3 | 7.28s |
| #229 | Qwen3.6 27B none | Qwen | 1 | 7.7 | $0.116 | 2/3 | 2.79s |
| #231 | Qwen3.8 27B none | Qwen | 1 | 7.7 | ~$0.006 | 2/3 | 552ms |
| #259 | MiniMax M2.7 medium | Minimax | 1 | 3.0 | $0.208 | 0/3 | 39.7s |
| #268 | Hy4 preview none | Tencent | 1 | 6.8 | $0.041 | 1/3 | 25.6s |
| #277 | Hunter Alpha medium | OpenRouter | 1 | 3.0 | $0.000 | 0/3 | 10.5s |
| #278 | Grok 4.1 Fast medium | X AI | 1 | 5.8 | $0.069 | 1/3 | 121.8s |
| #311 | LFM2-24B-A2B none | Liquid | 1 | 5.9 | $0.001 | 1/3 | 287ms |