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)
#54	Muse Spark 1.2 high	Meta	1	0.8	$2.018	1/2	39.9s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $2.018 Muda wa majibu (wastani) 39.9s
#55	Muse Spark 1.2 medium	Meta	1	0.9	$1.590	1/2	24.9s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.590 Muda wa majibu (wastani) 24.9s
#56	Muse Spark 1.1 medium	Meta	1	0.8	$1.665	1/2	42.6s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.665 Muda wa majibu (wastani) 42.6s
#57	Claude Fable 5 medium	Anthropic	1	0.7	$5.089	1/2	27.5s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $5.089 Muda wa majibu (wastani) 27.5s
#58	Pareto 26.9 default	Unbiased	1	0.8	$1.864	1/2	81.4s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.864 Muda wa majibu (wastani) 81.4s
#71	Muse Spark 1.1 low	Meta	1	0.7	$0.885	1/2	29.4s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.885 Muda wa majibu (wastani) 29.4s
#72	Claude Sonnet 5.5 xhigh	Anthropic	1	0.9	$1.516	1/2	30.4s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.516 Muda wa majibu (wastani) 30.4s
#73	Claude Sonnet 5.5 high	Anthropic	1	0.8	$1.175	1/2	24.6s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.175 Muda wa majibu (wastani) 24.6s
#77	Muse Spark 1.3 low	Meta	1	0.7	$0.911	1/2	25.7s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.911 Muda wa majibu (wastani) 25.7s
#78	Claude Sonnet 5 medium	Anthropic	1	0.7	$1.438	1/2	51.9s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.438 Muda wa majibu (wastani) 51.9s
#79	Qwen3.7 Max medium	Qwen	1	0.9	$1.689	1/2	287.8s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.689 Muda wa majibu (wastani) 287.8s
#82	Qwen3.8 2.4T A95B low	Qwen	1	0.8	$4.016	1/2	231.8s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $4.016 Muda wa majibu (wastani) 231.8s
#84	Muse Glimmer 30B xhigh	Meta	1	0.6	$0.585	0/2	272.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.585 Muda wa majibu (wastani) 272.7s
#86	Inkling high	Thinkingmachines	1	0.7	$1.238	1/2	63.8s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.238 Muda wa majibu (wastani) 63.8s
#90	GPT-5.6 Terra high	OpenAI	1	0.9	$0.698	1/2	13.7s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.698 Muda wa majibu (wastani) 13.7s

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