Orodha ya Mchanganyiko x Mwito wa zana si sahihi

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Mwito wa zana si sahihi katika Mchanganyiko, ili uone udhaifu haraka.

Modeli zilizoonyeshwa

Jumla ya kushindwa

177

Modeli iliyoathirika zaidi

Muse Spark 1.1 2

Sababu za kushindwa

Mwito wa zana si sahihi177 Jibu lisilo sahihi126 Hitilafu ya API62 Hakuna jibu55 Muda umeisha11 Hakufuata maelekezo1 Muundo wa ziada1

Kategoria

Mchanganyiko177 Kazi za mawakala44 Mwito wa zana11

154/154

Nafasi	Modeli	Kampuni	Idadi ya Mwito wa zana si sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#87	Muse Spark 1.1 high	Meta	2	0.6	$2.570	0/2	70.3s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $2.570 Muda wa majibu (wastani) 70.3s
#174	Qwen3.6 27B medium	Qwen	2	0.7	$1.021	0/2	584.1s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $1.021 Muda wa majibu (wastani) 584.1s
#198	Inkling low	Thinkingmachines	2	0.3	$0.293	0/2	22.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.293 Muda wa majibu (wastani) 22.7s
#240	Gemini 3.5 Flash minimal	Google	2	0.3	$0.508	0/2	14.4s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.508 Muda wa majibu (wastani) 14.4s
#246	Qwen3.6 27B none	Qwen	2	0.3	$0.148	0/2	83.1s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.148 Muda wa majibu (wastani) 83.1s
#256	Trinity Large Thinking low	Arcee AI	2	0.5	$0.918	0/2	291.0s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.918 Muda wa majibu (wastani) 291.0s
#257	DeepSeek V4 Flash 0423 none	DeepSeek	2	0.5	$0.149	0/2	179.6s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.149 Muda wa majibu (wastani) 179.6s
#262	DeepSeek V4 Flash 0731 none	DeepSeek	2	0.4	$0.053	0/2	202.4s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.053 Muda wa majibu (wastani) 202.4s
#267	Trinity Large Thinking medium	Arcee AI	2	0.3	$0.862	0/2	382.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.862 Muda wa majibu (wastani) 382.7s
#268	Apodex 1.1 Mini low	Apodex	2	0.3	$0.000	0/2	95.2s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 95.2s
#278	Inkling Small medium	Thinkingmachines	2	0.4	$0.113	0/2	8.89s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.113 Muda wa majibu (wastani) 8.89s
#283	Qwen3.6 Flash none	Qwen	2	0.4	$0.139	0/2	26.5s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.139 Muda wa majibu (wastani) 26.5s
#290	Ling 3.0 Flash high	Inclusionai	2	0.3	$0.021	0/2	50.4s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.021 Muda wa majibu (wastani) 50.4s
#292	Trinity Large Thinking high	Arcee AI	2	0.3	$0.794	0/2	262.4s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.794 Muda wa majibu (wastani) 262.4s
#340	Laguna S 2.1 medium	Poolside	2	0.3	$0.092	0/2	284.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.092 Muda wa majibu (wastani) 284.7s

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

Mchanganyiko: 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