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) |
|---|---|---|---|---|---|---|---|
| #222 | LongCat 2.0 low | Meituan | 1 | 0.3 | $0.630 | 0/3 | 183.6s |
| #227 | Claude Sonnet 5.5 medium | Anthropic | 1 | 0.3 | $1.100 | 0/3 | 8.78s |
| #239 | Gemini 3 Flash Preview none | 1 | 0.8 | $0.155 | 2/3 | 879ms | |
| #242 | Claude Sonnet 4.6 medium | Anthropic | 1 | 0.3 | $2.126 | 0/3 | 58.4s |
| #243 | Minimax M3.1 Flash xhigh | Minimax | 1 | 0.8 | $0.000 | 2/3 | 51.0s |
| #247 | Gemini 3.5 Flash minimal | 1 | 0.8 | $0.508 | 2/3 | 879ms | |
| #252 | Qwen3.5-35B-A3B medium | Qwen | 1 | 0.3 | $0.716 | 0/3 | 76.4s |
| #253 | Qwen3.6 27B none | Qwen | 1 | 0.8 | $0.148 | 2/3 | 2.79s |
| #255 | Gemini 3.1 Flash Lite Preview low | 1 | 0.8 | $0.736 | 2/3 | 2.10s | |
| #257 | Gemini 3.1 Flash Lite low | 1 | 0.8 | $0.717 | 2/3 | 1.44s | |
| #259 | Qwen3.5 Plus 2026-02-15 none | Qwen | 1 | 0.8 | $0.176 | 2/3 | 1.24s |
| #266 | Grok 4.20 medium | X AI | 1 | 0.3 | $1.246 | 0/3 | 49.7s |
| #267 | Space Bunny Alpha xhigh | Stealth | 1 | 0.6 | $0.000 | 1/3 | 234.1s |
| #283 | Claude Sonnet 4.6 none | Anthropic | 1 | 0.8 | $0.661 | 2/3 | 2.27s |
| #293 | Nemotron 3 Ultra none | NVIDIA | 1 | 0.5 | $0.164 | 1/3 | 758ms |