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) |
|---|---|---|---|---|---|---|---|
| #144 | Kimi K2.6 none | Moonshot AI | 2 | 5.3 | $0.184 | 1/3 | 1.48s |
| #145 | GPT-5.4 none | OpenAI | 2 | 5.3 | $0.397 | 1/3 | 1.07s |
| #146 | Nemotron 3 Super medium | NVIDIA | 2 | 2.9 | $0.055 | 0/3 | 16.2s |
| #148 | Qwen3.5-122B-A10B none | Qwen | 2 | 5.3 | $0.247 | 1/3 | 465ms |
| #151 | GLM 5V Turbo none | Z.ai | 2 | 5.3 | $0.052 | 1/3 | 2.09s |
| #152 | Owl Alpha medium | Openrouter | 2 | 5.3 | $0.000 | 1/3 | 8.58s |
| #153 | Mimo V2 PRO none | Xiaomi | 2 | 5.3 | $0.045 | 1/3 | 1.78s |
| #154 | Owl Alpha none | Openrouter | 2 | 5.3 | $0.000 | 1/3 | 3.00s |
| #156 | DeepSeek V4 Flash none | DeepSeek | 2 | 5.3 | $0.042 | 1/3 | 19.7s |
| #159 | Hy3 preview low | Tencent | 2 | 5.9 | $0.015 | 1/3 | 40.4s |
| #160 | MiMo-V2.5-Pro none | Xiaomi | 2 | 5.3 | $0.068 | 1/3 | 877ms |
| #161 | Kimi K2.5 none | Moonshot AI | 2 | 5.3 | $0.127 | 1/3 | 4.38s |
| #163 | Mimo V2 Omni none | Xiaomi | 2 | 5.3 | $0.021 | 1/3 | 2.10s |
| #166 | Laguna XS 2.1 none | Poolside | 2 | 5.3 | $0.008 | 1/3 | 364ms |
| #169 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | $2.310 | 1/3 | 127.6s |