Samanya Buddhimatta: चुकीचे उत्तर
Samanya Buddhimatta
चुकीचे उत्तर
Samanya Buddhimatta मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: अपयशांची संख्या ↑.
अयशस्वी होण्याची कारणे
59/59
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) |
|---|---|---|---|---|---|---|---|
| #20 | Grok 4.5 low | X AI | 1 | 6.1 | $0.935 | 0/1 | 4.88s |
| #22 | Grok 4.5 medium | X AI | 1 | 6.5 | $1.928 | 0/1 | 12.8s |
| #29 | Step 3.7 Flash medium | Stepfun | 1 | 4.0 | $0.515 | 0/1 | 6.85s |
| #34 | GPT-5.6 Terra high | OpenAI | 1 | 5.1 | $1.055 | 0/1 | 3.03s |
| #39 | GPT-5.6 Terra medium | OpenAI | 1 | 5.5 | $0.676 | 0/1 | 2.37s |
| #44 | GPT-5.6 Luna high | OpenAI | 1 | 5.0 | $1.017 | 0/1 | 3.65s |
| #48 | Grok Build 0.1 medium | X AI | 1 | 4.4 | $1.097 | 0/1 | 18.4s |
| #49 | GLM 5 Turbo medium | Z.ai | 1 | 6.1 | $0.323 | 0/1 | 10.1s |
| #50 | GPT-5.6 Luna medium | OpenAI | 1 | 5.1 | $0.352 | 0/1 | 4.34s |
| #55 | GPT-5.6 Terra low | OpenAI | 1 | 4.8 | $0.519 | 0/1 | 3.52s |
| #60 | LongCat 2.0 medium | Meituan | 1 | 4.8 | $0.478 | 0/1 | 16.4s |
| #62 | KAT-Coder-Pro V2.5 low | Kwaipilot | 1 | 4.1 | $0.387 | 0/1 | 2.32s |
| #67 | Step 3.7 Flash low | Stepfun | 1 | 3.4 | $0.454 | 0/1 | 7.00s |
| #69 | KAT-Coder-Pro V2.5 high | Kwaipilot | 1 | 5.1 | $0.482 | 0/1 | 3.27s |
| #70 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 1 | 4.9 | $0.317 | 0/1 | 25.3s |