डोमेन-विशिष्ट x चुकीचे उत्तर क्रमवारी

डोमेन-विशिष्ट मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.

दाखवलेली मॉडेल्स

एकूण अपयशे

893

सर्वाधिक प्रभावित मॉडेल

Claude Opus 5 3

अयशस्वी होण्याची कारणे

चुकीचे उत्तर893 उत्तर नाही66 वेळ संपला46 API त्रुटी40 अतिरिक्त फॉरमॅटिंग36 सूचनांचे पालन केले नाही3

श्रेणी

डोमेन-विशिष्ट893 अँटी-एआय युक्त्या519 कोडिंग484 कोडी सोडवणे352 सामान्य ज्ञान315 Samanya Buddhimatta134 संयुक्त128 स्वायत्त एजंट कार्ये128 सूचनांचे पालन117 डेटा पार्सिंग आणि निष्कर्षण93

423/423

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	श्रेणी स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#140	Qwen3.7 Flash low	Qwen	3	0.4	$0.071	0/3	37.6s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.071 प्रतिसाद वेळ (सरासरी) 37.6s
#141	Muse Glimmer 30B medium	Meta	3	0.3	$0.288	0/3	44.6s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.288 प्रतिसाद वेळ (सरासरी) 44.6s
#143	Qwen3.8 Flash Next medium	Qwen	3	0.3	~$0.047	0/3	17.3s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च ~$0.047 प्रतिसाद वेळ (सरासरी) 17.3s
#149	Mistral Large 4 high	Mistral	3	0.3	$1.391	0/3	289.4s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $1.391 प्रतिसाद वेळ (सरासरी) 289.4s
#151	GPT-5.6 Luna medium	OpenAI	3	0.3	$0.065	0/3	18.5s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.065 प्रतिसाद वेळ (सरासरी) 18.5s
#152	Qwen3.6 Flash medium	Qwen	3	0.3	$0.783	0/3	17.0s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.783 प्रतिसाद वेळ (सरासरी) 17.0s
#153	DeepSeek V4 Flash 0731 low	DeepSeek	3	0.3	$0.306	0/3	255.5s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.306 प्रतिसाद वेळ (सरासरी) 255.5s
#155	GLM 5.3 FlashX high	Z.ai	3	0.4	$0.210	0/3	50.0s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.210 प्रतिसाद वेळ (सरासरी) 50.0s
#158	DeepSeek V4 Pro 0423 none	DeepSeek	3	0.3	$0.083	0/3	4.91s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.083 प्रतिसाद वेळ (सरासरी) 4.91s
#166	Qwen3.6 Plus medium	Qwen	3	0.3	$0.554	0/3	46.4s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.554 प्रतिसाद वेळ (सरासरी) 46.4s
#167	Gemini 3.5 Flash Lite medium	Google	3	0.4	$0.440	0/3	5.34s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.440 प्रतिसाद वेळ (सरासरी) 5.34s
#173	Qwen3.7 Flash high	Qwen	3	0.3	$0.063	0/3	34.4s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.063 प्रतिसाद वेळ (सरासरी) 34.4s
#176	Step 3.7 Flash low	Stepfun	3	0.3	$0.449	0/3	22.7s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.449 प्रतिसाद वेळ (सरासरी) 22.7s
#179	Qwen3.8 Flash Next xhigh	Qwen	3	0.3	~$0.195	0/3	327.0s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च ~$0.195 प्रतिसाद वेळ (सरासरी) 327.0s
#180	GLM 5.3 FlashX medium	Z.ai	3	0.4	$0.114	0/3	3.52s
एकूण चाचण्या 3 चुकीच्या चाचण्या 3 एकूण खर्च $0.114 प्रतिसाद वेळ (सरासरी) 3.52s

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स

डोमेन-विशिष्ट: चुकीचे उत्तर

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स