Orodha ya Mbinu za kupinga AI x Jibu lisilo sahihi

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Mbinu za kupinga AI, ili uone udhaifu haraka.

Modeli zilizoonyeshwa

Jumla ya kushindwa

293

Modeli iliyoathirika zaidi

Seed-2.0-Lite 4

Sababu za kushindwa

Jibu lisilo sahihi293 Hakufuata maelekezo33 Muundo wa ziada20 Hitilafu ya API14 Hakuna jibu4 Muda umeisha4

Kategoria

Mahususi kwa domeni421 Mbinu za kupinga AI293 Uandishi wa msimbo259 Utatuzi wa mafumbo204 Maarifa ya jumla172 Mchanganyiko69 Akili ya jumla62 Ufuataji wa maagizo61 Uchanganuzi na uchimbaji wa data41 Mwito wa zana3

140/140

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#188	KAT-Coder-Air V2.5 none	Kwaipilot	3	5.3	$0.067	1/4	2.68s
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.067 Muda wa majibu (wastani) 2.68s
#193	Qwen3 Coder Next medium	Qwen	3	3.5	$0.032	0/4	8.64s
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.032 Muda wa majibu (wastani) 8.64s
#198	Laguna M.1 none	Poolside	3	3.4	$0.009	0/4	705ms
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.009 Muda wa majibu (wastani) 705ms
#203	Grok 4.20 none	X AI	3	4.8	$0.057	1/4	501ms
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.057 Muda wa majibu (wastani) 501ms
#209	Grok 4.1 Fast none	X AI	3	3.2	$0.008	0/4	1.07s
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.008 Muda wa majibu (wastani) 1.07s
#216	LFM2-24B-A2B none	Liquid	3	2.5	$0.001	0/3	471ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.001 Muda wa majibu (wastani) 471ms
#27	Muse Spark 1.1 low	Meta	2	7.9	$0.647	2/4	4.36s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.647 Muda wa majibu (wastani) 4.36s
#50	DeepSeek V4 Pro high	DeepSeek	2	5.7	$0.200	1/4	25.7s
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.200 Muda wa majibu (wastani) 25.7s
#51	MiniMax M3 medium	Minimax	2	5.5	$0.286	1/4	14.9s
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.286 Muda wa majibu (wastani) 14.9s
#56	Kimi K2.7 Code medium	Moonshot AI	2	7.3	$0.740	2/4	11.6s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.740 Muda wa majibu (wastani) 11.6s
#63	Qwen3.7 Max none	Qwen	2	6.5	$0.197	2/4	1.08s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.197 Muda wa majibu (wastani) 1.08s
#66	KAT-Coder-Pro V2.5 low	Kwaipilot	2	6.9	$0.387	2/4	4.20s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.387 Muda wa majibu (wastani) 4.20s
#73	KAT-Coder-Pro V2.5 high	Kwaipilot	2	7.0	$0.482	2/4	3.17s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.482 Muda wa majibu (wastani) 3.17s
#75	Qwen3.7 Plus none	Qwen	2	6.5	$0.106	2/4	1.38s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.106 Muda wa majibu (wastani) 1.38s
#86	DeepSeek V4 Pro none	DeepSeek	2	3.2	$0.096	0/4	4.02s
Jumla ya majaribio 4 Majaribio yenye makosa 4 Jumla ya gharama $0.096 Muda wa majibu (wastani) 4.02s

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

Mbinu za kupinga AI: 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