संयुक्त मॉडेल क्रमवारी

संयुक्त मध्ये कोणती AI मॉडेल्स सर्वोत्तम काम करतात, कोणती विश्वासार्ह राहतात आणि सर्वात मोठी दरी कुठे दिसते ते पाहा. क्रम लावा: मेट्रिक ↑.

दाखवलेली मॉडेल्स

सरासरी संयुक्त स्कोअर

5.9

सर्वोत्तम मॉडेल

Gemini 3 PRO Preview 1.5

अयशस्वी होण्याची कारणे

अयशस्वी होण्याचे कारण अवैध टूल कॉल सह147 अयशस्वी होण्याचे कारण चुकीचे उत्तर सह95 अयशस्वी होण्याचे कारण उत्तर नाही सह43 अयशस्वी होण्याचे कारण API त्रुटी सह37 अयशस्वी होण्याचे कारण वेळ संपला सह9 अयशस्वी होण्याचे कारण अतिरिक्त फॉरमॅटिंग सह1 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह1

316/316

क्रमांक	मॉडेल	कंपनी	संयुक्त स्कोअर	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#204	GPT-5 Nano medium	OpenAI	6.4	6.0	$0.118	1/2	146.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.118 प्रतिसाद वेळ (सरासरी) 146.9s
#217	Nemotron 3 Super medium	NVIDIA	6.4	5.7	$0.050	1/2	259.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.050 प्रतिसाद वेळ (सरासरी) 259.9s
#240	KAT-Coder-Air V2.5 low	Kwaipilot	6.4	5.4	$0.046	1/2	55.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.046 प्रतिसाद वेळ (सरासरी) 55.9s
#44	Claude Fable 5 medium	Anthropic	6.5	8.6	$3.004	1/2	27.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $3.004 प्रतिसाद वेळ (सरासरी) 27.5s
#51	Grok 4.5 low	X AI	6.5	8.4	$0.945	1/2	12.8s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.945 प्रतिसाद वेळ (सरासरी) 12.8s
#71	Kimi K3 max	Moonshot AI	6.5	7.9	$3.467	1/2	223.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $3.467 प्रतिसाद वेळ (सरासरी) 223.0s
#101	Mercury 2.5 Preview medium	Inception	6.5	7.5	$0.024	1/2	13.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.024 प्रतिसाद वेळ (सरासरी) 13.9s
#106	Qwen3.7 Max none	Qwen	6.5	7.4	$0.197	1/2	37.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.197 प्रतिसाद वेळ (सरासरी) 37.2s
#111	Grok 4.6 low	X AI	6.5	7.4	$0.449	1/2	23.3s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.449 प्रतिसाद वेळ (सरासरी) 23.3s
#124	Qwen3.5 Plus 2026-04-20 medium	Qwen	6.5	7.2	$0.323	1/2	92.4s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.323 प्रतिसाद वेळ (सरासरी) 92.4s
#126	Muse Glimmer 30B medium	Meta	6.5	7.2	$0.211	1/2	76.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.211 प्रतिसाद वेळ (सरासरी) 76.5s
#131	Grok 4.3 medium	X AI	6.5	7.0	$0.741	1/2	55.1s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.741 प्रतिसाद वेळ (सरासरी) 55.1s
#132	GPT-5.6 Sol none	OpenAI	6.5	7.0	$0.201	1/2	8.37s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.201 प्रतिसाद वेळ (सरासरी) 8.37s
#135	GPT-5.5 none	OpenAI	6.5	7.0	$0.544	1/2	8.90s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.544 प्रतिसाद वेळ (सरासरी) 8.90s
#145	Qwen3.6 Flash medium	Qwen	6.5	6.8	$0.741	1/2	299.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.741 प्रतिसाद वेळ (सरासरी) 299.2s

संयुक्त क्रमवारी

मॉडेल फिल्टर करा

संयुक्त स्कोअर नुसार शीर्ष मॉडेल्स

संयुक्त स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स