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
202/202
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) |
|---|---|---|---|---|---|---|---|
| #174 | MiMo-V2.5 none | Xiaomi | 3 | 3.0 | $0.025 | 0/3 | 756ms |
| #175 | Qwen3.5-9B none | Qwen | 3 | 3.0 | $0.021 | 0/3 | 464ms |
| #177 | North Mini Code none | Cohere | 3 | 3.0 | $0.000 | 0/3 | 14.7s |
| #180 | GPT-4o-mini none | OpenAI | 3 | 3.0 | $0.010 | 0/3 | 637ms |
| #183 | Nemotron 3 Super none | NVIDIA | 3 | 3.6 | $0.008 | 0/3 | 6.23s |
| #184 | Ling-2.6-flash none | Inclusionai | 3 | 3.0 | $0.002 | 0/3 | 4.95s |
| #186 | GPT-5.4 Nano none | OpenAI | 3 | 2.9 | $0.041 | 0/3 | 926ms |
| #188 | KAT-Coder-Air V2.5 none | Kwaipilot | 3 | 2.9 | $0.067 | 0/3 | 6.24s |
| #194 | Cobuddy medium | Baidu | 3 | 2.9 | $0.000 | 0/3 | 128.2s |
| #197 | Grok 4.20 Beta none | X AI | 3 | 3.0 | $0.087 | 0/3 | 611ms |
| #198 | Laguna M.1 none | Poolside | 3 | 3.6 | $0.009 | 0/3 | 5.50s |
| #199 | Elephant Alpha none | Openrouter | 3 | 3.0 | $0.000 | 0/3 | 927ms |
| #201 | Elephant Alpha medium | Openrouter | 3 | 3.0 | $0.000 | 0/3 | 925ms |
| #207 | Granite 4.1 8B none | IBM Granite | 3 | 3.0 | $0.007 | 0/3 | 357ms |
| #212 | gpt-oss-120b none | OpenAI | 3 | 3.0 | $0.010 | 0/3 | 35.0s |