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.
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 |
| #40 | Qwen3.8 MAX medium | Qwen | 1 | 0.3 | $1.181 | 0/1 | 11.5s |
| #41 | DeepSeek V4.1 Flash 1017 low | DeepSeek | 1 | 0.3 | $0.355 | 0/1 | 33.8s |
| #42 | Qwen3.8 Max (0902) high | Qwen | 1 | 0.3 | $3.306 | 0/1 | 532.6s |
| #43 | GPT-5.3-Codex medium | OpenAI | 1 | 0.3 | $1.318 | 0/1 | 14.4s |
| #45 | Muse Spark 1.3 high | Meta | 1 | 0.3 | $1.891 | 0/1 | 140.1s |
| #46 | Muse Wonder low | Meta | 1 | 0.3 | $2.637 | 0/1 | 8.23s |
| #47 | Pareto default | Unbiased | 1 | 0.3 | $1.520 | 0/1 | 32.1s |
| #48 | Seed 2.1 Turbo high | Bytedance Seed | 1 | 0.3 | $1.892 | 0/1 | 78.6s |
| #49 | Muse Wonder minimal | Meta | 1 | 0.3 | $1.639 | 0/1 | 4.17s |
| #52 | Qwen3.8 Max (0902) medium | Qwen | 1 | 0.3 | $1.096 | 0/1 | 17.0s |
| #53 | Muse Spark 1.3 medium | Meta | 1 | 0.3 | $1.712 | 0/1 | 85.6s |
| #54 | Gemini 3.5 Flash Lite high | 1 | 0.3 | $0.624 | 0/1 | 9.68s | |
| #55 | Gemini 4 Argon medium | 1 | 0.3 | $0.674 | 0/1 | 1.91s | |
| #56 | Claude Opus 5 low | Anthropic | 1 | 0.3 | $2.350 | 0/1 | 6.48s |