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) |
|---|---|---|---|---|---|---|---|
| #112 | Gemini 3.1 Flash Lite Preview none | 2 | 5.3 | $0.052 | 1/3 | 942ms | |
| #113 | Qwen3.5 Plus 2026-02-15 none | Qwen | 2 | 5.3 | $0.073 | 1/3 | 1.17s |
| #118 | Claude Sonnet 5 none | Anthropic | 2 | 5.3 | $0.548 | 1/3 | 3.28s |
| #119 | MiMo-V2-Flash medium | Xiaomi | 2 | 5.9 | $0.043 | 1/3 | 96.0s |
| #124 | Gemini 2.5 Flash none | 2 | 5.9 | $0.017 | 1/3 | 495ms | |
| #129 | Inkling low | Thinkingmachines | 2 | 5.3 | $0.187 | 1/3 | 1.99s |
| #130 | Qwen3.6 Flash none | Qwen | 2 | 5.3 | $0.062 | 1/3 | 1.11s |
| #132 | Qwen3.5 Plus 2026-04-20 none | Qwen | 2 | 5.3 | $0.122 | 1/3 | 4.43s |
| #135 | Nemotron 3 Ultra none | NVIDIA | 2 | 5.3 | $0.095 | 1/3 | 698ms |
| #136 | Step 3.5 Flash medium | Stepfun | 2 | 5.3 | $0.108 | 1/3 | 170.5s |
| #137 | Grok 4.20 Beta medium | X AI | 2 | 5.3 | $0.750 | 1/3 | 21.3s |
| #138 | GPT-5.6 Terra none | OpenAI | 2 | 5.3 | $0.349 | 1/3 | 757ms |
| #139 | Gemini 3 PRO Preview medium | 2 | 5.3 | $0.385 | 1/3 | 7.01s | |
| #141 | Hy3 preview high | Tencent | 2 | 5.3 | $0.048 | 1/3 | 109.0s |
| #143 | North Mini Code medium | Cohere | 2 | 5.3 | $0.000 | 1/3 | 71.4s |