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) |
|---|---|---|---|---|---|---|---|
| #419 | Hy3 preview none | Tencent | 2 | 0.4 | $0.007 | 0/3 | 17.6s |
| #420 | MiMo-V2-Flash default | Xiaomi | 2 | 0.5 | $0.025 | 1/3 | 564ms |
| #422 | Grok Build 0.1 none | X AI | 2 | 0.4 | $0.547 | 0/3 | 103.7s |
| #424 | Grok 4.1 Fast default | X AI | 2 | 0.6 | $0.008 | 1/3 | 1.06s |
| #425 | Laguna Xs.2 default | Poolside | 2 | 0.5 | $0.004 | 1/3 | 371ms |
| #428 | Span-02 default | Respan | 2 | 0.5 | $0.001 | 1/3 | 1.24s |
| #429 | Nemotron 3 Nano Omni 30b A3b Reasoning medium | NVIDIA | 2 | 0.3 | $0.000 | 0/3 | 56.7s |
| #430 | d1-ultra default | Liquid | 2 | 0.5 | $0.003 | 1/3 | 576ms |
| #434 | Decider V1.1 27B default | Perplexity | 2 | 0.5 | $0.002 | 1/3 | 313ms |
| #435 | Drex v1.5 default | Nace AI | 2 | 0.5 | $0.002 | 1/3 | 1.09s |
| #436 | GPT-6 Luna Decisions default | OpenAI | 2 | 0.5 | $0.005 | 1/3 | 554ms |
| #437 | Kev 4B default | Jaredpalmer | 2 | 0.5 | $0.002 | 1/3 | 6.34s |
| #439 | Classify-1 default | Scaledown | 2 | 0.5 | $0.008 | 1/3 | 1.54s |
| #441 | Decider Flash V1.2 default | Perplexity | 2 | 0.5 | $0.001 | 1/3 | 527ms |
| #450 | Nimble v3 9B default | Bespoke Labs | 2 | 0.2 | ~$0.001 | 0/2 | 80ms |