संयुक्त मॉडेल क्रमवारी

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

दाखवलेली मॉडेल्स

सरासरी संयुक्त स्कोअर

0.6

सर्वोत्तम मॉडेल

Ling 3.1 Flash 0.7

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)
#366	GLM 4.7 Flash none	Z.ai	0.3	0.5	$0.027	0/2	50.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.027 प्रतिसाद वेळ (सरासरी) 50.2s
#294	Qwen3.7 Flash none	Qwen	0.4	0.6	$0.028	0/2	94.6s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.028 प्रतिसाद वेळ (सरासरी) 94.6s
#280	Granite 4.2 8B medium	IBM Granite	0.3	0.6	$0.029	0/2	291.1s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.029 प्रतिसाद वेळ (सरासरी) 291.1s
#289	gpt-oss-120b medium	OpenAI	0.7	0.6	$0.030	1/2	24.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.030 प्रतिसाद वेळ (सरासरी) 24.0s
#320	Gemma 4 26B A4B none	Google	0.3	0.5	$0.031	0/2	37.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.031 प्रतिसाद वेळ (सरासरी) 37.2s
#307	Gemma 4 31B none	Google	0.4	0.6	$0.031	0/2	30.0s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.031 प्रतिसाद वेळ (सरासरी) 30.0s
#144	GPT-6 Luna low	OpenAI	0.7	0.8	$0.033	1/2	49.8s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.033 प्रतिसाद वेळ (सरासरी) 49.8s
#403	Laguna M.1 medium	Poolside	0.2	0.4	$0.033	0/1	53.1s
एकूण चाचण्या 1 चुकीच्या चाचण्या 1 एकूण खर्च $0.033 प्रतिसाद वेळ (सरासरी) 53.1s
#391	Mercury 2 none	Inception	0.3	0.4	$0.033	0/2	2.56s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.033 प्रतिसाद वेळ (सरासरी) 2.56s
#246	Mercury 2.5 medium	Inception	0.7	0.6	$0.034	1/2	9.23s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.034 प्रतिसाद वेळ (सरासरी) 9.23s
#332	Granite 4.2 8B low	IBM Granite	0.3	0.5	$0.036	0/2	298.2s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.036 प्रतिसाद वेळ (सरासरी) 298.2s
#389	Granite 4.2 8B none	IBM Granite	0.3	0.4	$0.037	0/2	424.3s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.037 प्रतिसाद वेळ (सरासरी) 424.3s
#218	GLM 5.3 Flash low	Z.ai	0.4	0.7	$0.038	0/2	54.7s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.038 प्रतिसाद वेळ (सरासरी) 54.7s
#204	Mercury 2.5 Preview medium	Inception	0.7	0.7	$0.039	1/2	13.9s
एकूण चाचण्या 2 चुकीच्या चाचण्या 1 एकूण खर्च $0.039 प्रतिसाद वेळ (सरासरी) 13.9s
#230	Mercury 2.5 Preview high	Inception	0.4	0.6	$0.040	0/2	14.4s
एकूण चाचण्या 2 चुकीच्या चाचण्या 2 एकूण खर्च $0.040 प्रतिसाद वेळ (सरासरी) 14.4s

संयुक्त क्रमवारी

मॉडेल फिल्टर करा

संयुक्त स्कोअर नुसार शीर्ष मॉडेल्स

संयुक्त स्कोअर विरुद्ध एकूण खर्च

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स