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) |
|---|---|---|---|---|---|---|---|
| #31 | Claude Opus 5.5 medium | Anthropic | 1 | 0.8 | $1.804 | 2/3 | 21.3s |
| #32 | Muse Wonder medium | Meta | 1 | 0.5 | $3.397 | 1/3 | 70.7s |
| #37 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.6 | $3.306 | 1/3 | 658.5s |
| #39 | Claude Haiku 5.5 xhigh | Anthropic | 1 | 0.5 | $0.140 | 1/3 | 47.8s |
| #42 | Pareto default | Unbiased | 1 | 0.8 | $1.520 | 2/3 | 98.8s |
| #45 | Muse Spark Open xhigh | Meta | 1 | 0.3 | $2.081 | 0/3 | 341.5s |
| #52 | Gemini 3.6 Flash low | 1 | 0.8 | $0.363 | 2/3 | 4.65s | |
| #58 | Claude Fable 5 medium | Anthropic | 1 | 0.5 | $5.089 | 1/3 | 37.3s |
| #66 | GPT-5.2 medium | OpenAI | 1 | 0.6 | $1.558 | 1/3 | 97.3s |
| #67 | Qwen3.8 27B high | Qwen | 1 | 0.5 | ~$0.298 | 1/3 | 526.7s |
| #68 | MiMo-V2.6-Pro medium | Xiaomi | 1 | 0.3 | $0.586 | 0/3 | 619.7s |
| #75 | Claude Haiku 5.5 low | Anthropic | 1 | 0.6 | $0.061 | 1/3 | 7.35s |
| #82 | Nemotron 3.5 Super VL high | NVIDIA | 1 | 0.4 | $0.349 | 0/3 | 113.7s |
| #86 | Gemini 3.1 Pro Preview medium | 1 | 0.8 | $1.585 | 2/3 | 20.3s | |
| #87 | Inkling high | Thinkingmachines | 1 | 0.8 | $1.238 | 2/3 | 174.7s |