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) |
|---|---|---|---|---|---|---|---|
| #215 | GLM 5.2 none | Z.ai | 1 | 0.6 | $0.250 | 0/1 | 4.42s |
| #217 | LongCat 2.0 low | Meituan | 1 | 0.3 | $0.630 | 0/1 | 22.5s |
| #219 | Step 3.7 Flash high | Stepfun | 1 | 0.6 | $1.478 | 0/1 | 4.17s |
| #220 | Beam 1.0 501B A23B medium | Reflection | 1 | 0.5 | $0.499 | 0/1 | 1.87s |
| #221 | KAT-Coder-Pro V2.5 low | Kwaipilot | 1 | 0.4 | $0.568 | 0/1 | 2.32s |
| #225 | Mercury 2.5 high | Inception | 1 | 0.5 | $0.044 | 0/1 | 2.69s |
| #226 | Beam 1.0 501B A23B xhigh | Reflection | 1 | 0.5 | $0.688 | 0/1 | 2.50s |
| #228 | GLM 5.1 none | Z.ai | 1 | 0.5 | $0.451 | 0/1 | 790ms |
| #229 | KAT-Coder-Pro V2.5 high | Kwaipilot | 1 | 0.5 | $0.506 | 0/1 | 3.27s |
| #231 | Laguna XS 2.1 medium | Poolside | 1 | 0.5 | $0.083 | 0/1 | 4.15s |
| #234 | Beam 1.0 501B A23B max | Reflection | 1 | 0.6 | $0.799 | 0/1 | 3.63s |
| #239 | Mercury 2.5 medium | Inception | 1 | 0.4 | $0.034 | 0/1 | 1.60s |
| #242 | Dots 3 Note Preview high | Dots Studio | 1 | 0.3 | $0.000 | 0/1 | 19.6s |
| #243 | Dots 3 Note Preview low | Dots Studio | 1 | 0.4 | $0.000 | 0/1 | 27.5s |
| #244 | LongCat 2.0 none | Meituan | 1 | 0.5 | $0.104 | 0/1 | 2.76s |