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
197/197
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) |
|---|---|---|---|---|---|---|---|
| #148 | Inkling low | Thinkingmachines | 1 | 3.0 | $0.187 | 0/1 | 3.12s |
| #149 | Qwen3.6 Flash none | Qwen | 1 | 3.0 | $0.062 | 0/1 | 649ms |
| #150 | Qwen3.5-Flash none | Qwen | 1 | 3.0 | $0.073 | 0/1 | 588ms |
| #151 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 3.0 | $0.122 | 0/1 | 33.3s |
| #152 | Qwen3.5-35B-A3B none | Qwen | 1 | 3.0 | $0.106 | 0/1 | 493ms |
| #153 | GPT-5 Nano medium | OpenAI | 1 | 3.0 | $0.114 | 0/1 | 20.1s |
| #154 | Nemotron 3 Ultra none | NVIDIA | 1 | 3.0 | $0.095 | 0/1 | 1.83s |
| #155 | Trinity Large Thinking low | Arcee AI | 1 | 3.0 | $0.656 | 0/1 | 2.10s |
| #156 | Step 3.5 Flash medium | Stepfun | 1 | 3.0 | $0.108 | 0/1 | 108.4s |
| #158 | GPT-5.6 Terra none | OpenAI | 1 | 3.0 | $0.140 | 0/1 | 787ms |
| #160 | Trinity Large Thinking medium | Arcee AI | 1 | 3.0 | $0.792 | 0/1 | 97.4s |
| #161 | Mimo V2 Omni medium | Xiaomi | 1 | 3.0 | $0.683 | 0/1 | 234.2s |
| #162 | Hy3 preview high | Tencent | 1 | 3.0 | $0.048 | 0/1 | 47.7s |
| #163 | GPT-5.4 Mini none | OpenAI | 1 | 3.0 | $0.095 | 0/1 | 1.33s |
| #165 | Kimi K2.6 none | Moonshot AI | 1 | 3.0 | $0.144 | 0/1 | 1.36s |