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.
अयशस्वी होण्याची कारणे
129/129
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) |
|---|---|---|---|---|---|---|---|
| #121 | MiMo-V2.6-Flash medium | Xiaomi | 1 | 0.4 | $0.218 | 0/1 | 2.34s |
| #123 | Ling 3.1 Flash high | Inclusionai | 1 | 0.4 | $0.000 | 0/1 | 7.82s |
| #124 | Grok 4.5 medium | X AI | 1 | 0.6 | $2.996 | 0/1 | 12.8s |
| #126 | Step 3.7 Flash medium | Stepfun | 1 | 0.4 | $0.571 | 0/1 | 6.85s |
| #127 | Grok 4.6 medium | X AI | 1 | 0.4 | $2.270 | 0/1 | 17.3s |
| #129 | Grok 4.5 low | X AI | 1 | 0.6 | $1.345 | 0/1 | 4.88s |
| #130 | DeepSeek V4 Flash 0731 medium | DeepSeek | 1 | 0.6 | $0.460 | 0/1 | 12.2s |
| #132 | GPT-6 Luna high | OpenAI | 1 | 0.5 | $0.074 | 0/1 | 17.4s |
| #134 | Nemotron 3.5 Super VL medium | NVIDIA | 1 | 0.6 | $0.437 | 0/1 | 12.7s |
| #136 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 1 | 0.5 | $0.435 | 0/1 | 25.3s |
| #141 | GPT-6 Luna low | OpenAI | 1 | 0.4 | $0.033 | 0/1 | 1.46s |
| #143 | Space Bunny Alpha high | Stealth | 1 | 0.4 | $0.000 | 0/1 | 4.75s |
| #147 | Seed-2.0-Code high | Bytedance Seed | 1 | 0.5 | $1.448 | 0/1 | 36.4s |
| #148 | GPT-5.6 Luna medium | OpenAI | 1 | 0.5 | $0.065 | 0/1 | 4.34s |
| #149 | Qwen3.6 Flash medium | Qwen | 1 | 0.5 | $0.783 | 0/1 | 9.88s |