Orodha ya Kazi za mawakala x Jibu lisilo sahihi

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Kazi za mawakala, ili uone udhaifu haraka. Panga kwa: Muda wa majibu (wastani) ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

108

Modeli iliyoathirika zaidi

Qwen3.5-9B 1

Sababu za kushindwa

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

Kategoria

Mahususi kwa domeni766 Mbinu za kupinga AI446 Uandishi wa msimbo429 Utatuzi wa mafumbo307 Maarifa ya jumla280 Mchanganyiko115 Akili ya jumla112 Kazi za mawakala108 Ufuataji wa maagizo94 Uchanganuzi na uchimbaji wa data71

108/108

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#309	Qwen3.5-9B none	Qwen	1	3.9	$0.041	0/1	433.0s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.041 Muda wa majibu (wastani) 433.0s
#341	GLM 4.7 Flash medium	Z.ai	1	3.9	$0.193	0/1	399.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.193 Muda wa majibu (wastani) 399.2s
#134	Grok 4.7 medium	X AI	1	3.9	$3.501	0/1	372.1s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $3.501 Muda wa majibu (wastani) 372.1s
#178	Solar Pro 4 low	Upstage	1	6.1	$0.174	0/1	345.4s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.174 Muda wa majibu (wastani) 345.4s
#281	Kimi K2.5 none	Moonshot AI	1	5.0	$0.236	0/1	321.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.236 Muda wa majibu (wastani) 321.2s
#124	DeepSeek V4 Flash 0731 low	DeepSeek	1	4.7	$0.307	0/1	321.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.307 Muda wa majibu (wastani) 321.2s
#174	Solar Pro 4 xhigh	Upstage	1	3.0	$0.167	0/1	316.6s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.167 Muda wa majibu (wastani) 316.6s
#219	Solar Pro 4 high	Upstage	1	2.8	$0.164	0/1	312.3s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.164 Muda wa majibu (wastani) 312.3s
#137	Qwen3.6 Plus medium	Qwen	1	4.7	$0.391	0/1	307.1s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.391 Muda wa majibu (wastani) 307.1s
#204	Solar Pro 4 medium	Upstage	1	4.7	$0.174	0/1	272.3s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.174 Muda wa majibu (wastani) 272.3s
#168	Kimi K2.6 medium	Moonshot AI	1	5.0	$1.323	0/1	233.9s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $1.323 Muda wa majibu (wastani) 233.9s
#209	MiMo-V2.5-Pro medium	Xiaomi	1	4.7	$0.502	0/1	233.5s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.502 Muda wa majibu (wastani) 233.5s
#318	Granite 4.2 8B high	IBM Granite	1	5.0	$0.161	0/1	223.5s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.161 Muda wa majibu (wastani) 223.5s
#116	Qwen3.8 27B low	Qwen	1	6.1	~$0.089	0/1	211.3s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama ~$0.089 Muda wa majibu (wastani) 211.3s
#304	Qwen3 Coder Next none	Qwen	1	3.9	$0.065	0/1	208.4s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.065 Muda wa majibu (wastani) 208.4s

Chuja miundo

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Kazi za mawakala: Jibu lisilo sahihi

Chuja miundo

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwaMakadirio yanahusu umeme wa GPU pekee. Hayajumuishi sehemu nyingine za kompyuta wala gharama ya kununua maunzi. NVIDIA GeForce RTX 3090: 0.8932 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.088310.

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa