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
316/316
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | संयुक्त स्कोअर | स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #45 | Qwen3.6 Max Preview medium | Qwen | 7.3 | 8.6 | $1.132 | 1/2 | 177.5s |
| #59 | Muse Spark 1.3 low | Meta | 7.3 | 8.2 | $0.689 | 1/2 | 25.7s |
| #62 | GPT-5 Mini medium | OpenAI | 7.3 | 8.1 | $0.241 | 1/2 | 99.8s |
| #64 | Inkling high | Thinkingmachines | 7.3 | 8.0 | $1.046 | 1/2 | 63.8s |
| #69 | Inkling medium | Thinkingmachines | 7.3 | 8.0 | $0.383 | 1/2 | 41.2s |
| #72 | GPT-5.2 Chat none | OpenAI | 7.3 | 7.9 | $0.594 | 1/2 | 13.9s |
| #73 | Step 3.7 Flash medium | Stepfun | 7.3 | 7.9 | $0.495 | 1/2 | 80.9s |
| #77 | Gemini 3.5 Flash Lite medium | 7.3 | 7.8 | $0.272 | 1/2 | 17.9s | |
| #86 | Seed-2.0-Code low | Bytedance Seed | 7.3 | 7.7 | $0.767 | 1/2 | 99.1s |
| #100 | Qwen3.5-27B medium | Qwen | 7.3 | 7.5 | $0.982 | 1/2 | 595.2s |
| #107 | Kimi K2.7 Code medium | Moonshot AI | 7.3 | 7.4 | $0.687 | 1/2 | 66.0s |
| #109 | LongCat 2.0 medium | Meituan | 7.3 | 7.4 | $0.499 | 1/2 | 151.0s |
| #119 | DeepSeek V4 Flash 0731 medium | DeepSeek | 7.3 | 7.3 | $0.066 | 1/2 | 150.6s |
| #122 | KAT-Coder-Pro V2.5 high | Kwaipilot | 7.3 | 7.2 | $0.506 | 1/2 | 106.7s |
| #129 | Step 3.7 Flash low | Stepfun | 7.3 | 7.1 | $0.390 | 1/2 | 66.2s |