Orodha ya Kazi za mawakala x Mwito wa zana si sahihi

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Mwito wa zana si sahihi katika Kazi za mawakala, ili uone udhaifu haraka. Panga kwa: Jumla ya gharama ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

Modeli iliyoathirika zaidi

Space Bunny Alpha 1

Sababu za kushindwa

Jibu lisilo sahihi108 Mwito wa zana si sahihi44 Hitilafu ya API32 Hakufuata maelekezo14 Muda umeisha10

Kategoria

Mchanganyiko162 Kazi za mawakala44 Mwito wa zana11

44/44

Nafasi	Modeli	Kampuni	Idadi ya Mwito wa zana si sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#226	Space Bunny Alpha xhigh	Stealth	1	5.2	$0.000	0/1	159.1s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.000 Muda wa majibu (wastani) 159.1s
#283	Laguna XS 2.1 none	Poolside	1	5.0	$0.019	0/1	70.8s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.019 Muda wa majibu (wastani) 70.8s
#293	Mercury 2.5 low	Inception	1	5.0	$0.020	0/1	47.1s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.020 Muda wa majibu (wastani) 47.1s
#314	Mercury 2.5 Preview none	Inception	1	3.9	$0.023	0/1	85.0s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.023 Muda wa majibu (wastani) 85.0s
#267	GPT-6 Luna none	OpenAI	1	5.0	$0.026	0/1	51.1s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.026 Muda wa majibu (wastani) 51.1s
#261	Solar Pro 4 none	Upstage	1	5.0	$0.033	0/1	69.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.033 Muda wa majibu (wastani) 69.2s
#171	Mercury 2.5 Preview medium	Inception	1	3.9	$0.037	0/1	74.6s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.037 Muda wa majibu (wastani) 74.6s
#336	Granite 4.2 8B none	IBM Granite	1	5.0	$0.047	0/1	49.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.047 Muda wa majibu (wastani) 49.2s
#106	GPT-6 Luna medium	OpenAI	1	7.4	$0.048	0/1	71.7s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.048 Muda wa majibu (wastani) 71.7s
#308	MiMo-V2.5 none	Xiaomi	1	3.9	$0.063	0/1	124.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.063 Muda wa majibu (wastani) 124.2s
#110	GPT-6 Luna high	OpenAI	1	5.2	$0.074	0/1	82.8s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.074 Muda wa majibu (wastani) 82.8s
#200	Laguna XS 2.1 medium	Poolside	1	6.1	$0.083	0/1	66.4s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.083 Muda wa majibu (wastani) 66.4s
#122	GPT-5.6 Luna medium	OpenAI	1	7.4	$0.101	0/1	58.1s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.101 Muda wa majibu (wastani) 58.1s
#212	LongCat 2.0 none	Meituan	1	6.1	$0.104	0/1	81.8s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.104 Muda wa majibu (wastani) 81.8s
#284	Qwen3.6 35B A3B none	Qwen	1	5.2	$0.105	0/1	65.6s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.105 Muda wa majibu (wastani) 65.6s

Chuja miundo

Modeli bora kwa Idadi ya Mwito wa zana si sahihi

Idadi ya Mwito wa zana si sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Kazi za mawakala: Mwito wa zana si sahihi

Chuja miundo

Modeli bora kwa Idadi ya Mwito wa zana si sahihi

Idadi ya Mwito wa zana si sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa