कोडी सोडवणे x चुकीचे उत्तर क्रमवारी

कोडी सोडवणे मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.

दाखवलेली मॉडेल्स

एकूण अपयशे

344

सर्वाधिक प्रभावित मॉडेल

Qwen3.5-Flash 3

अयशस्वी होण्याची कारणे

चुकीचे उत्तर344 सूचनांचे पालन केले नाही160 API त्रुटी35 अतिरिक्त फॉरमॅटिंग16 उत्तर नाही14 वेळ संपला11

श्रेणी

डोमेन-विशिष्ट878 अँटी-एआय युक्त्या502 कोडिंग477 कोडी सोडवणे344 सामान्य ज्ञान306 Samanya Buddhimatta129 संयुक्त126 स्वायत्त एजंट कार्ये126 सूचनांचे पालन111 डेटा पार्सिंग आणि निष्कर्षण93

239/239

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	श्रेणी स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#121	MiMo-V2.6-Flash medium	Xiaomi	1	0.8	$0.218	2/3	52.9s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.218 प्रतिसाद वेळ (सरासरी) 52.9s
#125	GLM 5.3 high	Z.ai	1	0.8	$0.495	2/3	4.74s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.495 प्रतिसाद वेळ (सरासरी) 4.74s
#128	Qwen3.7 Plus none	Qwen	1	0.8	$0.178	2/3	1.71s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.178 प्रतिसाद वेळ (सरासरी) 1.71s
#132	GPT-6 Luna high	OpenAI	1	0.8	$0.074	2/3	7.51s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.074 प्रतिसाद वेळ (सरासरी) 7.51s
#133	Muse Glimmer 30B high	Meta	1	0.6	$0.506	1/3	64.8s
एकूण चाचण्या 3 चुकीच्या चाचण्या 2 एकूण खर्च $0.506 प्रतिसाद वेळ (सरासरी) 64.8s
#136	Qwen3.5 Plus 2026-04-20 medium	Qwen	1	0.8	$0.435	2/3	17.7s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.435 प्रतिसाद वेळ (सरासरी) 17.7s
#137	Qwen3.7 Flash low	Qwen	1	0.7	$0.071	1/3	9.79s
एकूण चाचण्या 3 चुकीच्या चाचण्या 2 एकूण खर्च $0.071 प्रतिसाद वेळ (सरासरी) 9.79s
#140	Qwen3.8 Flash Next medium	Qwen	1	0.8	~$0.047	2/3	2.23s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.047 प्रतिसाद वेळ (सरासरी) 2.23s
#142	Qwen3.8 27B low	Qwen	1	0.8	~$0.089	2/3	4.91s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.089 प्रतिसाद वेळ (सरासरी) 4.91s
#143	Space Bunny Alpha high	Stealth	1	0.8	$0.000	2/3	6.43s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 6.43s
#144	GLM 5.1 medium	Z.ai	1	0.8	$1.546	2/3	31.6s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $1.546 प्रतिसाद वेळ (सरासरी) 31.6s
#145	Seed-2.0-Mini medium	Bytedance Seed	1	0.8	$0.140	2/3	31.8s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.140 प्रतिसाद वेळ (सरासरी) 31.8s
#148	GPT-5.6 Luna medium	OpenAI	1	0.8	$0.065	2/3	4.04s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.065 प्रतिसाद वेळ (सरासरी) 4.04s
#153	Grok 4.7 low	X AI	1	0.8	$1.933	2/3	12.4s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $1.933 प्रतिसाद वेळ (सरासरी) 12.4s
#161	Gemini 2.5 Flash medium	Google	1	0.8	$0.680	2/3	3.18s
एकूण चाचण्या 3 चुकीच्या चाचण्या 1 एकूण खर्च $0.680 प्रतिसाद वेळ (सरासरी) 3.18s

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स

कोडी सोडवणे: चुकीचे उत्तर

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स