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) |
|---|---|---|---|---|---|---|---|
| #349 | Laguna S 2.1 medium | Poolside | 3 | 0.3 | $0.092 | 0/3 | 2.68s |
| #350 | Mercury 2.5 Preview low | Inception | 3 | 0.4 | $0.015 | 0/3 | 836ms |
| #352 | Dots 3 Note Preview default | Dots Studio | 3 | 0.3 | $0.000 | 0/3 | 1.10s |
| #353 | GPT-4o-mini default | OpenAI | 3 | 0.3 | $0.024 | 0/3 | 743ms |
| #358 | Laguna S 2.1 high | Poolside | 3 | 0.3 | $0.145 | 0/3 | 2.51s |
| #360 | Ling 2.6 1t default | Inclusionai | 3 | 0.3 | $0.016 | 0/3 | 1.08s |
| #361 | MiMo-V2.5 none | Xiaomi | 3 | 0.3 | $0.049 | 0/3 | 1.24s |
| #362 | Qwen3.5-9B none | Qwen | 3 | 0.3 | $0.041 | 0/3 | 636ms |
| #367 | Mercury 2.5 Preview default | Inception | 3 | 0.4 | $0.023 | 0/3 | 631ms |
| #368 | Nemotron 3.5 Lightning medium | NVIDIA | 3 | 0.3 | $0.195 | 0/3 | 74.7s |
| #369 | North Mini Code default | Cohere | 3 | 0.3 | $0.000 | 0/3 | 14.7s |
| #370 | Laguna S 2.1 none | Poolside | 3 | 0.3 | $0.044 | 0/3 | 337ms |
| #372 | Qwen3 Coder Next medium | Qwen | 3 | 0.4 | $0.071 | 0/3 | 570ms |
| #373 | DeepSeek V3.2 none | DeepSeek | 3 | 0.3 | $0.119 | 0/3 | 1.48s |
| #374 | GPT-5.4 Nano none | OpenAI | 3 | 0.3 | $0.068 | 0/3 | 880ms |