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

147

Modeli iliyoathirika zaidi

Muse Spark 1.1 2

Sababu za kushindwa

Mwito wa zana si sahihi147 Jibu lisilo sahihi95 Hakuna jibu43 Hitilafu ya API37 Muda umeisha9 Hakufuata maelekezo1 Muundo wa ziada1

Kategoria

Mchanganyiko147 Mwito wa zana11

125/125

Nafasi	Modeli	Kampuni	Idadi ya Mwito wa zana si sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#60	Muse Spark 1.1 high	Meta	2	5.9	$2.253	0/2	70.3s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $2.253 Muda wa majibu (wastani) 70.3s
#153	Gemini 3.5 Flash minimal	Google	2	3.0	$0.300	0/2	14.4s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.300 Muda wa majibu (wastani) 14.4s
#160	Inkling Small medium	Thinkingmachines	2	3.8	$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
#165	Qwen3.6 27B medium	Qwen	2	6.7	$1.045	0/2	584.1s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $1.045 Muda wa majibu (wastani) 584.1s
#174	Ling-3.0-flash high	Inclusionai	2	2.9	$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
#188	Inkling low	Thinkingmachines	2	2.9	$0.187	0/2	22.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.187 Muda wa majibu (wastani) 22.7s
#189	Trinity Large Thinking medium	Arcee AI	2	2.9	$0.756	0/2	382.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.756 Muda wa majibu (wastani) 382.7s
#190	Qwen3.6 Flash none	Qwen	2	3.8	$0.062	0/2	26.5s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.062 Muda wa majibu (wastani) 26.5s
#194	Trinity Large Thinking low	Arcee AI	2	5.2	$0.625	0/2	291.0s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.625 Muda wa majibu (wastani) 291.0s
#229	Qwen3.6 27B none	Qwen	2	3.2	$0.116	0/2	83.1s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.116 Muda wa majibu (wastani) 83.1s
#233	DeepSeek V4 Flash 0423 none	DeepSeek	2	4.6	$0.037	0/2	179.6s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.037 Muda wa majibu (wastani) 179.6s
#234	Laguna S 2.1 medium	Poolside	2	3.2	$0.053	0/2	284.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.053 Muda wa majibu (wastani) 284.7s
#239	DeepSeek V4 Flash 0731 none	DeepSeek	2	3.7	$0.011	0/2	202.4s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.011 Muda wa majibu (wastani) 202.4s
#240	Laguna S 2.1 high	Poolside	2	2.9	$0.114	0/2	702.3s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.114 Muda wa majibu (wastani) 702.3s
#256	Qwen3.5-9B none	Qwen	2	3.0	$0.021	0/2	194.0s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.021 Muda wa majibu (wastani) 194.0s

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