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

0.6

सर्वोत्तम मॉडेल

Span-02 0.0

अयशस्वी होण्याची कारणे

अयशस्वी होण्याचे कारण अवैध टूल कॉल सह180 अयशस्वी होण्याचे कारण चुकीचे उत्तर सह128 अयशस्वी होण्याचे कारण API त्रुटी सह62 अयशस्वी होण्याचे कारण उत्तर नाही सह56 अयशस्वी होण्याचे कारण वेळ संपला सह11 अयशस्वी होण्याचे कारण अतिरिक्त फॉरमॅटिंग सह1 अयशस्वी होण्याचे कारण सूचनांचे पालन केले नाही सह1

451/451

क्रमांक	मॉडेल	कंपनी	संयुक्त स्कोअर	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#167	Gemini 3.5 Flash Lite medium	Google	0.7	0.7	$0.440	1/2	17.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.440 प्रतिसाद वेळ (सरासरी) 17.9s
#174	LongCat 2.0 medium	Meituan	0.7	0.7	$0.767	1/2	151.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.767 प्रतिसाद वेळ (सरासरी) 151.0s
#176	Step 3.7 Flash low	Stepfun	0.7	0.7	$0.449	1/2	66.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.449 प्रतिसाद वेळ (सरासरी) 66.2s
#179	Qwen3.8 Flash Next xhigh	Qwen	0.7	0.7	~$0.195	1/2	92.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च ~$0.195 प्रतिसाद वेळ (सरासरी) 92.2s
#184	GPT-5.2 Chat default	OpenAI	0.7	0.7	$0.594	1/2	13.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.594 प्रतिसाद वेळ (सरासरी) 13.9s
#185	Qwen3.6 Max Preview medium	Qwen	0.7	0.7	$1.132	1/2	177.5s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $1.132 प्रतिसाद वेळ (सरासरी) 177.5s
#187	Kimi K2.7 Code medium	Moonshot AI	0.7	0.7	$1.136	1/2	66.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $1.136 प्रतिसाद वेळ (सरासरी) 66.0s
#235	KAT-Coder-Pro V2.5 high	Kwaipilot	0.7	0.6	$0.506	1/2	106.7s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.506 प्रतिसाद वेळ (सरासरी) 106.7s
#243	Minimax M3.1 Flash xhigh	Minimax	0.7	0.6	$0.000	1/2	34.4s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 34.4s
#258	Solar Pro 4 high	Upstage	0.7	0.6	$0.077	1/2	167.4s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.077 प्रतिसाद वेळ (सरासरी) 167.4s
#263	DeepSeek V3.2 medium	DeepSeek	0.7	0.6	$0.152	1/2	79.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.152 प्रतिसाद वेळ (सरासरी) 79.9s
#279	Step 5 Preview medium	Stepfun	0.7	0.6	$4.136	1/2	125.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $4.136 प्रतिसाद वेळ (सरासरी) 125.0s
#300	Ring 2.6 1t medium	Inclusionai	0.7	0.6	$0.102	1/2	257.3s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.102 प्रतिसाद वेळ (सरासरी) 257.3s
#311	Step 5 Preview low	Stepfun	0.7	0.6	$4.110	1/2	40.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $4.110 प्रतिसाद वेळ (सरासरी) 40.9s
#158	DeepSeek V4 Pro 0423 none	DeepSeek	0.8	0.7	$0.083	1/2	71.6s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.083 प्रतिसाद वेळ (सरासरी) 71.6s

संयुक्त क्रमवारी

मॉडेल फिल्टर करा

संयुक्त स्कोअर नुसार शीर्ष मॉडेल्स

संयुक्त स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स