Orodha ya Mchanganyiko x Jibu lisilo sahihi

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Mchanganyiko, ili uone udhaifu haraka. Panga kwa: Majaribio sahihi ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

126

Modeli iliyoathirika zaidi

Gemini 4 Argon 1

Sababu za kushindwa

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

Kategoria

Mahususi kwa domeni878 Mbinu za kupinga AI502 Uandishi wa msimbo477 Utatuzi wa mafumbo344 Maarifa ya jumla306 Akili ya jumla129 Kazi za mawakala126 Mchanganyiko126 Ufuataji wa maagizo111 Uchanganuzi na uchimbaji wa data93

117/117

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#98	Gemini 4 Argon low	Google	1	0.4	$0.438	0/2	11.9s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.438 Muda wa majibu (wastani) 11.9s
#152	GLM 5.3 FlashX high	Z.ai	2	0.3	$0.210	0/2	27.7s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.210 Muda wa majibu (wastani) 27.7s
#168	Gemini 3.8 Flash low	Google	1	0.4	$0.323	0/2	19.6s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.323 Muda wa majibu (wastani) 19.6s
#177	GLM 5.3 FlashX medium	Z.ai	1	0.3	$0.114	0/2	16.0s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.114 Muda wa majibu (wastani) 16.0s
#188	Gemini 3 Flash Preview low	Google	2	0.3	$0.254	0/2	10.2s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.254 Muda wa majibu (wastani) 10.2s
#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
#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
#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
#224	Mercury 2.5 Preview high	Inception	1	0.4	$0.040	0/2	14.4s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.040 Muda wa majibu (wastani) 14.4s
#227	GLM 5.3 low	Z.ai	1	0.4	$0.215	0/2	53.0s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.215 Muda wa majibu (wastani) 53.0s
#232	Qwen3.5-122B-A10B none	Qwen	1	0.5	$0.308	0/2	129.3s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.308 Muda wa majibu (wastani) 129.3s
#233	Gemini 3 Flash Preview none	Google	1	0.4	$0.155	0/2	12.4s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.155 Muda wa majibu (wastani) 12.4s
#247	Gemini 3.5 Flash Lite low	Google	1	0.4	$0.183	0/2	11.0s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.183 Muda wa majibu (wastani) 11.0s
#248	Gemini 3.1 Flash Lite Preview low	Google	1	0.3	$0.736	0/2	160.6s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.736 Muda wa majibu (wastani) 160.6s
#249	Gemini 3.1 Flash Lite low	Google	1	0.3	$0.717	0/2	161.2s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.717 Muda wa majibu (wastani) 161.2s

Chuja miundo

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Mchanganyiko: Jibu lisilo sahihi

Chuja miundo

Modeli bora kwa Idadi ya Jibu lisilo sahihi

Idadi ya Jibu lisilo sahihi dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa