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)
#182	Gemini 3.1 Flash Lite Preview medium	Google	1	0.7	$0.158	1/2	16.6s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.158 Muda wa majibu (wastani) 16.6s
#186	Qwen3.5-122B-A10B medium	Qwen	1	0.6	$1.152	1/2	313.5s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.152 Muda wa majibu (wastani) 313.5s
#189	Muse Glimmer 30B low	Meta	1	0.4	$0.219	0/2	132.0s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.219 Muda wa majibu (wastani) 132.0s
#190	Gemini 3.1 Flash Lite medium	Google	1	0.7	$0.153	1/2	18.5s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.153 Muda wa majibu (wastani) 18.5s
#192	Gemma 4 31B medium	Google	1	0.3	$0.144	0/2	433.1s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.144 Muda wa majibu (wastani) 433.1s
#193	GPT-5.6 Luna low	OpenAI	1	0.3	$0.049	0/2	13.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.049 Muda wa majibu (wastani) 13.7s
#194	Claude Sonnet 5.5 low	Anthropic	1	0.8	$0.909	1/2	22.5s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.909 Muda wa majibu (wastani) 22.5s
#196	Kimi K2.6 medium	Moonshot AI	1	0.7	$1.594	1/2	458.6s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $1.594 Muda wa majibu (wastani) 458.6s
#197	Qwen3.5-Flash medium	Qwen	1	0.6	$0.184	1/2	266.6s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.184 Muda wa majibu (wastani) 266.6s
#205	Qwen3.5-Flash none	Qwen	1	0.3	$0.089	0/2	243.6s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.089 Muda wa majibu (wastani) 243.6s
#207	Grok 4.7 high	X AI	1	0.9	$3.037	1/2	129.3s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $3.037 Muda wa majibu (wastani) 129.3s
#212	Apodex 1.1 Mini high	Apodex	1	0.4	$0.000	0/2	67.5s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 67.5s
#213	GLM 5.3 Flash low	Z.ai	1	0.4	$0.038	0/2	54.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.038 Muda wa majibu (wastani) 54.7s
#215	GLM 5.2 none	Z.ai	1	0.7	$0.250	1/2	50.2s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.250 Muda wa majibu (wastani) 50.2s
#216	Qwen3.7 Flash medium	Qwen	1	0.6	$0.076	1/2	314.2s
Jumla ya majaribio 2 Majaribio yenye makosa 1 Jumla ya gharama $0.076 Muda wa majibu (wastani) 314.2s

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