संयुक्त क्रमवारी
संयुक्त मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा. क्रम लावा: मेट्रिक ↑.
अयशस्वी होण्याची कारणे
216/216
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | संयुक्त स्कोअर | स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #84 | Seed-2.0-Mini medium | Bytedance Seed | 7.3 | 7.0 | $0.101 | 1/2 | 282.3s |
| #114 | Ring-2.6-1T medium | Inclusionai | 7.3 | 6.3 | $0.103 | 1/2 | 257.3s |
| #86 | DeepSeek V4 Pro none | DeepSeek | 7.9 | 6.9 | $0.096 | 1/2 | 71.6s |
| #4 | Gemini 3.5 Flash high | 8.2 | 9.5 | $1.976 | 1/2 | 84.1s | |
| #14 | Gemini 3.5 Flash low | 8.2 | 8.9 | $0.433 | 1/2 | 30.0s | |
| #40 | Qwen3.7 Plus medium | Qwen | 8.2 | 7.9 | $0.267 | 1/2 | 190.3s |
| #19 | Muse Spark 1.1 medium | Meta | 8.3 | 8.6 | $1.357 | 1/2 | 42.6s |
| #11 | Qwen3.7 Max medium | Qwen | 8.7 | 9.2 | $1.116 | 1/2 | 287.8s |
| #38 | GPT-5.6 Terra high | OpenAI | 8.7 | 8.0 | $1.055 | 1/2 | 13.7s |
| #59 | GPT-5.6 Terra low | OpenAI | 8.7 | 7.5 | $0.519 | 1/2 | 9.68s |
| #79 | Grok 4.20 medium | X AI | 8.7 | 7.1 | $0.777 | 1/2 | 42.2s |
| #90 | Step 3.7 Flash high | Stepfun | 8.7 | 6.9 | $1.207 | 1/2 | 41.2s |
| #107 | MiMo-V2.5 medium | Xiaomi | 8.7 | 6.5 | $0.082 | 1/2 | 78.0s |
| #10 | Gemini 3.1 Pro Preview medium | 9.8 | 9.2 | $1.361 | 2/2 | 40.4s | |
| #67 | Claude Sonnet 4.6 none | Anthropic | 9.8 | 7.3 | $0.661 | 2/2 | 37.5s |