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) |
|---|---|---|---|---|---|---|---|
| #276 | Apodex 1.1 Mini low | Apodex | 3 | 0.4 | $0.000 | 0/3 | 50.2s |
| #281 | KAT-Coder-Pro V2.5 default | Kwaipilot | 3 | 0.4 | $0.742 | 0/3 | 24.9s |
| #282 | Apodex 1.1 Mini medium | Apodex | 3 | 0.4 | $0.000 | 0/3 | 63.7s |
| #284 | GLM 5.3 FlashX low | Z.ai | 3 | 0.3 | $0.157 | 0/3 | 3.87s |
| #286 | Inkling Small medium | Thinkingmachines | 3 | 0.3 | $0.113 | 0/3 | 7.65s |
| #287 | Seed-2.0-Lite none | Bytedance Seed | 3 | 0.3 | $0.114 | 0/3 | 1.12s |
| #288 | Gemini 3.1 Flash Lite minimal | 3 | 0.3 | $0.080 | 0/3 | 972ms | |
| #289 | gpt-oss-120b medium | OpenAI | 3 | 0.3 | $0.030 | 0/3 | 27.6s |
| #290 | Gemini 3.1 Flash Lite none | 3 | 0.3 | $0.069 | 0/3 | 701ms | |
| #292 | Claude Sonnet 5 none | Anthropic | 3 | 0.3 | $1.095 | 0/3 | 3.32s |
| #295 | Qwen3.8 Flash Next none | Qwen | 3 | 0.3 | ~$0.011 | 0/3 | 5.38s |
| #300 | Ring 2.6 1t medium | Inclusionai | 3 | 0.4 | $0.102 | 0/3 | 65.3s |
| #301 | Trinity Large Thinking high | Arcee AI | 3 | 0.3 | $0.794 | 0/3 | 66.9s |
| #303 | GPT-5.4 Mini none | OpenAI | 3 | 0.4 | $0.170 | 0/3 | 1.31s |
| #304 | Mistral Large 4 none | Mistral | 3 | 0.3 | $0.290 | 0/3 | 1.61s |