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) |
|---|---|---|---|---|---|---|---|
| #214 | Nemotron 3 Nano Omni 30b A3b Reasoning none | NVIDIA | 3 | 3.6 | $0.000 | 0/3 | 489ms |
| #5 | GPT-5.6 Sol low | OpenAI | 2 | 5.3 | $0.971 | 1/3 | 29.1s |
| #7 | GPT-5.6 Sol medium | OpenAI | 2 | 5.9 | $1.316 | 1/3 | 47.9s |
| #8 | GPT-5.6 Sol high | OpenAI | 2 | 5.3 | $1.234 | 1/3 | 39.5s |
| #9 | GPT-5.5 low | OpenAI | 2 | 5.3 | $1.253 | 1/3 | 28.1s |
| #11 | Qwen3.7 Max medium | Qwen | 2 | 5.9 | $1.116 | 1/3 | 24.9s |
| #13 | GPT-5.5 medium | OpenAI | 2 | 5.3 | $4.137 | 1/3 | 164.1s |
| #15 | Grok 4.5 high | X AI | 2 | 3.6 | $1.707 | 0/3 | 332.1s |
| #16 | GPT-5.3-Codex medium | OpenAI | 2 | 5.9 | $0.920 | 1/3 | 64.3s |
| #17 | Claude Opus 4.8 medium | Anthropic | 2 | 5.3 | $1.931 | 1/3 | 14.6s |
| #20 | Claude Fable 5 medium | Anthropic | 2 | 5.3 | $3.478 | 1/3 | 53.4s |
| #21 | GPT-5.4 medium | OpenAI | 2 | 5.3 | $1.533 | 1/3 | 74.3s |
| #28 | Gemini 2.5 Flash medium | 2 | 5.9 | $0.643 | 1/3 | 37.3s | |
| #29 | GPT-5 Mini medium | OpenAI | 2 | 3.6 | $0.237 | 0/3 | 44.6s |
| #30 | Muse Spark 1.1 high | Meta | 2 | 3.5 | $1.694 | 0/3 | 67.4s |