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)
#349	Laguna S 2.1 high	Poolside	2	0.3	$0.145	0/2	702.3s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.145 Muda wa majibu (wastani) 702.3s
#353	Qwen3.5-9B none	Qwen	2	0.3	$0.041	0/2	194.0s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.041 Muda wa majibu (wastani) 194.0s
#357	GLM 4.7 Flash none	Z.ai	2	0.3	$0.027	0/2	50.2s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.027 Muda wa majibu (wastani) 50.2s
#360	North Mini Code default	Cohere	2	0.3	$0.000	0/2	96.2s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 96.2s
#364	DeepSeek V3.2 none	DeepSeek	2	0.5	$0.119	0/2	113.5s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.119 Muda wa majibu (wastani) 113.5s
#373	Ling 2.6 Flash default	Inclusionai	2	0.3	$0.002	0/2	35.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.002 Muda wa majibu (wastani) 35.7s
#385	GLM 4.7 Flash medium	Z.ai	2	0.3	$0.193	0/2	802.8s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.193 Muda wa majibu (wastani) 802.8s
#396	Granite 4.1 8b default	IBM Granite	2	0.3	$0.007	0/2	9.28s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.007 Muda wa majibu (wastani) 9.28s
#35	Qwen3.8 MAX medium	Qwen	1	0.9	$1.181	1/2	91.3s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.181 Muda wa majibu (wastani) 91.3s
#36	Qwen3.8 Max (0902) high	Qwen	1	0.9	$3.306	1/2	110.4s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $3.306 Muda wa majibu (wastani) 110.4s
#41	Pareto default	Unbiased	1	0.7	$1.520	1/2	53.5s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.520 Muda wa majibu (wastani) 53.5s
#45	Gemini 3.5 Flash low	Google	1	0.8	$0.752	1/2	30.0s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.752 Muda wa majibu (wastani) 30.0s
#47	Muse Spark 1.3 medium	Meta	1	0.7	$1.712	1/2	34.7s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.712 Muda wa majibu (wastani) 34.7s
#52	GLM 5.3 Flash max	Z.ai	1	0.7	$0.089	1/2	138.7s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.089 Muda wa majibu (wastani) 138.7s
#53	Muse Spark Open low	Meta	1	0.8	$0.600	1/2	32.8s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.600 Muda wa majibu (wastani) 32.8s

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