#35
Qwen: Qwen3.5-Flash
Qwen · qwen/qwen3.5-flash-02-23::none
सरासरी स्कोअर
3.63
प्रति निकाल खर्च
0.084
सुसंगतता
8.32
एकूण खर्च
$0.003
बरोबर चाचण्या
3/14
एखादी चाचणी तेव्हाच पूर्णपणे पास मानली जाते जेव्हा तिचे सर्व रन पास होतात.
चुकीच्या चाचण्या
11
प्रति प्रयत्न पास दर: 33.3%
अस्थिर चाचण्या
3
प्रतिसाद वेळ: सरासरी 3.55s · एकूण 49.72s · कमाल 13.73s
चुकीचे उत्तर: 7
API त्रुटी: 2
सूचनांचे पालन केले नाही: 2
स्कोअरनुसार शीर्ष मॉडेल्स
पहिले मॉडेल निवडा, नंतर दुसरे मॉडेल क्लिक करून बाजू-बाजूची तुलना पेज उघडा.
श्रेणीवार तपशील
| श्रेणी | सरासरी स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| Anti-AI Tricks | 2.34 | 7.76 | 0/3 |
| Data parsing and extraction | 5.38 | 5.81 | 1/2 |
| Domain specific | 4.00 | 7.21 | 1/3 |
| Instructions following | 3.50 | 9.99 | 0/2 |
| Puzzle Solving | 1.34 | 10.00 | 0/3 |
| Tool Calling | 10.00 | 10.00 | 1/1 |