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.

Modeli zilizoonyeshwa

Jumla ya kushindwa

108

Modeli iliyoathirika zaidi

Grok 4.6 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)
#299	Dots 3 Note Preview none	Dots Studio	1	3.9	$0.000	0/1	45.7s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.000 Muda wa majibu (wastani) 45.7s
#300	GPT-4o-mini none	OpenAI	1	5.0	$0.024	0/1	40.0s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.024 Muda wa majibu (wastani) 40.0s
#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
#305	Laguna S 2.1 high	Poolside	1	2.8	$0.147	0/1	158.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.147 Muda wa majibu (wastani) 158.2s
#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
#313	GLM 4.7 Flash none	Z.ai	1	5.0	$0.027	0/1	80.7s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.027 Muda wa majibu (wastani) 80.7s
#316	North Mini Code none	Cohere	1	3.0	$0.000	0/1	18.9s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.000 Muda wa majibu (wastani) 18.9s
#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
#319	Qwen3 Coder Next medium	Qwen	1	5.0	$0.069	0/1	151.4s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.069 Muda wa majibu (wastani) 151.4s
#320	DeepSeek V3.2 none	DeepSeek	1	3.0	$0.121	0/1	122.5s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.121 Muda wa majibu (wastani) 122.5s
#321	GPT-5.4 Nano none	OpenAI	1	3.9	$0.068	0/1	45.4s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.068 Muda wa majibu (wastani) 45.4s
#333	Nemotron 3 Super none	NVIDIA	1	2.8	$0.016	0/1	30.5s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.016 Muda wa majibu (wastani) 30.5s
#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
#342	gpt-oss-120b none	OpenAI	1	6.1	$0.016	0/1	140.9s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.016 Muda wa majibu (wastani) 140.9s
#344	Mercury 2.5 none	Inception	1	5.0	$0.026	0/1	63.4s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.026 Muda wa majibu (wastani) 63.4s

←

1 6 7 8

→

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 inayokadiriwa