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) |
|---|---|---|---|---|---|---|---|
| #190 | Qwen3.5-122B-A10B medium | Qwen | 3 | 0.3 | $1.152 | 0/3 | 74.4s |
| #191 | Grok 4.6 low | X AI | 3 | 0.3 | $0.781 | 0/3 | 18.2s |
| #193 | Muse Glimmer 30B low | Meta | 3 | 0.3 | $0.219 | 0/3 | 11.5s |
| #195 | Gemini 3.1 Flash Lite medium | 3 | 0.3 | $0.153 | 0/3 | 3.93s | |
| #198 | GPT-5.6 Luna low | OpenAI | 3 | 0.3 | $0.049 | 0/3 | 11.2s |
| #207 | Solar Pro 4 xhigh | Upstage | 3 | 0.3 | $0.067 | 0/3 | 287.7s |
| #211 | Solar Pro 4 low | Upstage | 3 | 0.3 | $0.101 | 0/3 | 279.0s |
| #217 | Apodex 1.1 Mini high | Apodex | 3 | 0.3 | $0.000 | 0/3 | 54.7s |
| #218 | GLM 5.3 Flash low | Z.ai | 3 | 0.4 | $0.038 | 0/3 | 7.93s |
| #221 | Qwen3.7 Flash medium | Qwen | 3 | 0.3 | $0.076 | 0/3 | 38.0s |
| #223 | Mercury 2 medium | Inception | 3 | 0.3 | $0.121 | 0/3 | 8.06s |
| #224 | Step 3.7 Flash high | Stepfun | 3 | 0.4 | $1.478 | 0/3 | 189.3s |
| #225 | Beam 1.0 501B A23B medium | Reflection | 3 | 0.3 | $0.499 | 0/3 | 11.7s |
| #226 | KAT-Coder-Pro V2.5 low | Kwaipilot | 3 | 0.3 | $0.568 | 0/3 | 22.9s |
| #229 | Qwen3.6 35B A3B medium | Qwen | 3 | 0.3 | $0.834 | 0/3 | 25.4s |