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)
#24	Qwen3.7 Max medium	Qwen	8.7	9.1	$1.157	1/2	287.8s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $1.157 प्रतिसाद वेळ (सरासरी) 287.8s
#28	Qwen3.8 Max medium	Qwen	8.7	9.0	$0.771	1/2	91.3s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.771 प्रतिसाद वेळ (सरासरी) 91.3s
#70	GPT-5.6 Terra high	OpenAI	8.7	8.0	$0.836	1/2	13.7s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.836 प्रतिसाद वेळ (सरासरी) 13.7s
#81	Qwen3.8 27B medium	Qwen	8.7	7.8	~$0.058	1/2	124.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.058 प्रतिसाद वेळ (सरासरी) 124.5s
#96	GPT-5.6 Terra low	OpenAI	8.7	7.5	$0.420	1/2	9.68s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.420 प्रतिसाद वेळ (सरासरी) 9.68s
#137	Grok 4.20 medium	X AI	8.7	7.0	$0.805	1/2	42.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.805 प्रतिसाद वेळ (सरासरी) 42.2s
#146	Step 3.7 Flash high	Stepfun	8.7	6.8	$1.229	1/2	41.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $1.229 प्रतिसाद वेळ (सरासरी) 41.2s
#178	MiMo-V2.5 medium	Xiaomi	8.7	6.4	$0.104	1/2	78.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.104 प्रतिसाद वेळ (सरासरी) 78.0s
#18	Gemini 3.1 Pro Preview medium	Google	9.8	9.2	$1.352	2/2	40.4s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $1.352 प्रतिसाद वेळ (सरासरी) 40.4s
#113	Claude Sonnet 4.6 none	Anthropic	9.8	7.3	$0.661	2/2	37.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.661 प्रतिसाद वेळ (सरासरी) 37.5s
#120	Claude Opus 4.8 none	Anthropic	9.8	7.3	$1.166	2/2	26.4s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $1.166 प्रतिसाद वेळ (सरासरी) 26.4s
#134	GLM 5.1 medium	Z.ai	9.8	7.0	$0.727	2/2	175.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.727 प्रतिसाद वेळ (सरासरी) 175.9s
#49	Muse Spark 1.2 low	Meta	9.8	8.4	$0.655	2/2	17.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.655 प्रतिसाद वेळ (सरासरी) 17.0s
#66	DeepSeek V4 Flash 0731 low	DeepSeek	9.8	8.0	$0.044	2/2	54.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.044 प्रतिसाद वेळ (सरासरी) 54.2s
#35	Gemini 3.5 Flash Lite high	Google	9.9	8.8	$0.540	2/2	27.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 0 एकूण खर्च $0.540 प्रतिसाद वेळ (सरासरी) 27.9s

संयुक्त क्रमवारी

मॉडेल फिल्टर करा

संयुक्त स्कोअर नुसार शीर्ष मॉडेल्स

संयुक्त स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स