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) |
|---|---|---|---|---|---|---|---|
| #296 | DeepSeek V4.1 Flash 1017 none | DeepSeek | 1 | 0.8 | $0.055 | 2/3 | 463ms |
| #298 | DeepSeek V4.1 Flash none | DeepSeek | 1 | 0.8 | $0.391 | 2/3 | 5.46s |
| #305 | Seed 2.1 Turbo none | Bytedance Seed | 1 | 0.8 | $0.182 | 2/3 | 1.36s |
| #323 | Claude Opus 4.7 none | Anthropic | 1 | 0.8 | $0.505 | 2/3 | 1.19s |
| #324 | Qwen3.8 27B none | Qwen | 1 | 0.8 | ~$0.010 | 2/3 | 552ms |
| #340 | KAT Coder AIR V2.5 high | Kwaipilot | 1 | 0.3 | $0.077 | 0/3 | 7.28s |
| #341 | Mimo V2 PRO medium | Xiaomi | 1 | 0.5 | $0.333 | 1/3 | 8.82s |
| #351 | MiniMax M2.7 medium | Minimax | 1 | 0.3 | $0.326 | 0/3 | 39.7s |
| #364 | Mimo V2 Omni medium | Xiaomi | 1 | 0.3 | $0.683 | 0/3 | 47.9s |
| #401 | Hunter Alpha medium | OpenRouter | 1 | 0.3 | $0.000 | 0/3 | 10.5s |
| #402 | Grok 4.1 Fast medium | X AI | 1 | 0.6 | $0.069 | 1/3 | 121.8s |
| #407 | Xing4.0 29b A4b medium | Xingchen AGI | 1 | 0.4 | $0.000 | 0/3 | 381.9s |
| #432 | Jev 1.13 default | Typesafe | 1 | 0.8 | $0.003 | 2/3 | 632ms |
| #433 | Decider V1.2 default | Perplexity | 1 | 0.6 | $0.001 | 1/3 | 541ms |
| #438 | Jev 1.14 default | Typesafe | 1 | 0.8 | $0.003 | 2/3 | 444ms |