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)
#44	Claude Sonnet 4.6 medium	Anthropic	1	6.5	$2.057	2/4	2.98s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $2.057 Muda wa majibu (wastani) 2.98s
#48	GPT-5.6 Luna high	OpenAI	1	8.3	$1.017	3/4	2.99s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $1.017 Muda wa majibu (wastani) 2.99s
#49	DeepSeek V4 Flash high	DeepSeek	1	8.3	$0.041	3/4	28.5s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $0.041 Muda wa majibu (wastani) 28.5s
#54	GPT-5.6 Luna medium	OpenAI	1	8.3	$0.352	3/4	2.52s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $0.352 Muda wa majibu (wastani) 2.52s
#57	GPT-5.4 Nano medium	OpenAI	1	8.3	$0.138	3/4	4.52s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $0.138 Muda wa majibu (wastani) 4.52s
#58	GPT-5.3 Chat none	OpenAI	1	6.7	$0.571	2/4	3.86s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.571 Muda wa majibu (wastani) 3.86s
#59	GPT-5.6 Terra low	OpenAI	1	8.3	$0.519	3/4	2.36s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $0.519 Muda wa majibu (wastani) 2.36s
#60	GPT-5.4 Mini medium	OpenAI	1	8.6	$0.756	3/4	4.05s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $0.756 Muda wa majibu (wastani) 4.05s
#61	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	8.2	$0.437	3/4	45.8s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $0.437 Muda wa majibu (wastani) 45.8s
#67	Claude Sonnet 4.6 none	Anthropic	1	4.8	$0.661	1/4	2.94s
Jumla ya majaribio 4 Majaribio yenye makosa 3 Jumla ya gharama $0.661 Muda wa majibu (wastani) 2.94s
#71	Step 3.7 Flash low	Stepfun	1	8.7	$0.454	3/4	4.02s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $0.454 Muda wa majibu (wastani) 4.02s
#72	Kimi K2.6 medium	Moonshot AI	1	7.0	$1.036	2/4	11.6s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $1.036 Muda wa majibu (wastani) 11.6s
#79	Grok 4.20 medium	X AI	1	8.2	$0.777	3/4	3.95s
Jumla ya majaribio 4 Majaribio yenye makosa 1 Jumla ya gharama $0.777 Muda wa majibu (wastani) 3.95s
#81	Kimi K2.5 medium	Moonshot AI	1	7.3	$0.600	2/4	51.4s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.600 Muda wa majibu (wastani) 51.4s
#82	Mercury 2 medium	Inception	1	6.9	$0.093	2/4	1.12s
Jumla ya majaribio 4 Majaribio yenye makosa 2 Jumla ya gharama $0.093 Muda wa majibu (wastani) 1.12s

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