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.

Modeli zilizoonyeshwa

Jumla ya kushindwa

Modeli iliyoathirika zaidi

Gemini 3 Flash Preview 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

Mahususi kwa domeni654 Mbinu za kupinga AI386 Uandishi wa msimbo361 Utatuzi wa mafumbo275 Maarifa ya jumla244 Mchanganyiko95 Akili ya jumla90 Ufuataji wa maagizo82 Uchanganuzi na uchimbaji wa data66 Mwito wa zana5

90/90

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#285	Laguna S 2.1 none	Poolside	1	2.9	$0.022	0/2	21.6s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.022 Muda wa majibu (wastani) 21.6s
#288	Elephant Alpha none	Openrouter	1	1.5	$0.000	0/1	3.81s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.000 Muda wa majibu (wastani) 3.81s
#290	Elephant Alpha medium	Openrouter	1	1.5	$0.000	0/1	3.70s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.000 Muda wa majibu (wastani) 3.70s
#291	Granite 4.2 8B none	IBM Granite	1	3.0	$0.026	0/2	424.3s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.026 Muda wa majibu (wastani) 424.3s
#292	Hunter Alpha none	OpenRouter	1	1.5	$0.000	0/1	15.2s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.000 Muda wa majibu (wastani) 15.2s
#294	Laguna Xs.2 medium	Poolside	1	1.5	$0.015	0/1	15.9s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.015 Muda wa majibu (wastani) 15.9s
#295	Hy3 preview none	Tencent	1	1.5	$0.007	0/1	35.8s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.007 Muda wa majibu (wastani) 35.8s
#296	MiMo-V2-Flash none	Xiaomi	1	1.5	$0.025	0/1	2.87s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.025 Muda wa majibu (wastani) 2.87s
#297	Ling 3.0 Tiny none	Inclusionai	1	3.0	$0.000	0/2	124.2s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 124.2s
#299	Nemotron 3.5 Lightning none	NVIDIA	1	3.0	$0.007	0/2	2.02s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.007 Muda wa majibu (wastani) 2.02s
#301	Ling 3.0 Tiny high	Inclusionai	1	3.0	$0.000	0/2	179.9s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 179.9s
#302	Ling 3.0 Tiny low	Inclusionai	1	3.0	$0.000	0/2	134.8s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 134.8s
#303	Grok 4.1 Fast none	X AI	1	1.5	$0.008	0/1	3.33s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.008 Muda wa majibu (wastani) 3.33s
#305	Ling 3.0 Tiny medium	Inclusionai	1	3.0	$0.000	0/2	139.8s
Jumla ya majaribio 2 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 139.8s
#306	Laguna Xs.2 none	Poolside	1	1.5	$0.004	0/1	2.01s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.004 Muda wa majibu (wastani) 2.01s

←

1 2 3 4 5 6

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