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) |
|---|---|---|---|---|---|---|---|
| #230 | Mercury 2.5 Preview high | Inception | 3 | 0.3 | $0.040 | 0/3 | 5.68s |
| #231 | Mercury 2.5 high | Inception | 3 | 0.3 | $0.044 | 0/3 | 4.86s |
| #235 | KAT-Coder-Pro V2.5 high | Kwaipilot | 3 | 0.3 | $0.506 | 0/3 | 44.7s |
| #236 | Grok 4.3 medium | X AI | 3 | 0.3 | $0.989 | 0/3 | 158.0s |
| #240 | Beam 1.0 501B A23B max | Reflection | 3 | 0.3 | $0.799 | 0/3 | 31.9s |
| #241 | Solar Pro 4 medium | Upstage | 3 | 0.3 | $0.098 | 0/3 | 201.8s |
| #245 | Beam 1.0 501B A23B low | Reflection | 3 | 0.3 | $0.432 | 0/3 | 8.45s |
| #246 | Mercury 2.5 medium | Inception | 3 | 0.4 | $0.034 | 0/3 | 4.39s |
| #250 | Dots 3 Note Preview low | Dots Studio | 3 | 0.4 | $0.000 | 0/3 | 49.5s |
| #256 | Minimax M3.1 Flash medium | Minimax | 3 | 0.4 | $0.000 | 0/3 | 31.9s |
| #258 | Solar Pro 4 high | Upstage | 3 | 0.4 | $0.077 | 0/3 | 280.8s |
| #265 | DeepSeek V4 Flash 0423 none | DeepSeek | 3 | 0.3 | $0.149 | 0/3 | 15.3s |
| #268 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 3 | 0.3 | $0.669 | 0/3 | 35.1s |
| #272 | Claude Fable 5.1 low | Anthropic | 3 | 0.4 | $3.395 | 0/3 | 19.3s |
| #274 | Beam 1.0 501B A23B high | Reflection | 3 | 0.4 | $0.674 | 0/3 | 20.7s |