सामान्य ज्ञान: चुकीचे उत्तर
सामान्य ज्ञान
चुकीचे उत्तर
सामान्य ज्ञान मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: एकूण खर्च ↓.
अयशस्वी होण्याची कारणे
323/323
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) |
|---|---|---|---|---|---|---|---|
| #38 | GPT-5.5 medium | OpenAI | 1 | 0.3 | $4.809 | 0/1 | 37.9s |
| #133 | Muse Wonder max | Meta | 1 | 0.3 | $4.766 | 0/1 | 41.3s |
| #98 | GLM 5.2 high | Z.ai | 1 | 0.3 | $4.632 | 0/1 | 127.8s |
| #91 | Qwen3.8 2.4T A95B low | Qwen | 1 | 0.3 | $4.016 | 0/1 | 422.5s |
| #151 | Muse Wonder xhigh | Meta | 1 | 0.3 | $4.012 | 0/1 | 25.4s |
| #116 | Claude Opus 4.7 medium | Anthropic | 1 | 0.3 | $3.636 | 0/1 | 2.25s |
| #127 | Claude Fable 5.1 high | Anthropic | 1 | 0.3 | $3.471 | 0/1 | 30.6s |
| #143 | Muse Wonder high | Meta | 1 | 0.3 | $3.426 | 0/1 | 28.8s |
| #37 | Muse Wonder medium | Meta | 1 | 0.5 | $3.397 | 0/1 | 16.3s |
| #281 | Claude Fable 5.1 low | Anthropic | 1 | 0.3 | $3.395 | 0/1 | 19.2s |
| #42 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.3 | $3.306 | 0/1 | 532.6s |
| #136 | Grok 4.5 medium | X AI | 1 | 0.3 | $2.996 | 0/1 | 74.4s |
| #270 | Claude Opus 4.6 medium | Anthropic | 1 | 0.3 | $2.961 | 0/1 | 63.2s |
| #131 | Qwen3.8 2.4T A95B high | Qwen | 1 | 0.3 | $2.949 | 0/1 | 348.0s |
| #23 | GPT-6 Astra medium | OpenAI | 1 | 0.3 | $2.707 | 0/1 | 5.98s |