Orodha ya Mahususi kwa domeni x Muda umeisha

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Muda umeisha katika Mahususi kwa domeni, ili uone udhaifu haraka. Panga kwa: Majaribio sahihi ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

Modeli iliyoathirika zaidi

GPT-5 Mini 1

Sababu za kushindwa

Jibu lisilo sahihi412 Muda umeisha43 Muundo wa ziada17 Hakuna jibu8 Hitilafu ya API7 Hakufuata maelekezo1

Kategoria

Mahususi kwa domeni43 Uandishi wa msimbo26 Mchanganyiko5 Utatuzi wa mafumbo5 Akili ya jumla4 Mbinu za kupinga AI4 Uchanganuzi na uchimbaji wa data1 Ufuataji wa maagizo1

32/32

Nafasi	Modeli	Kampuni	Idadi ya Muda umeisha	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#26	GPT-5 Mini medium	OpenAI	1	3.6	$0.237	0/3	44.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.237 Muda wa majibu (wastani) 44.6s
#31	GLM 5.2 high	Z.ai	1	3.7	$0.970	0/3	74.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.970 Muda wa majibu (wastani) 74.0s
#38	GLM 5.2 medium	Z.ai	1	4.1	$0.222	0/3	45.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.222 Muda wa majibu (wastani) 45.5s
#40	Claude Sonnet 4.6 medium	Anthropic	1	2.9	$2.057	0/3	0ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.057 Muda wa majibu (wastani) 0ms
#42	GLM 5 medium	Z.ai	1	3.5	$0.307	0/3	0ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.307 Muda wa majibu (wastani) 0ms
#49	GLM 5 Turbo medium	Z.ai	1	2.9	$0.323	0/3	71.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.323 Muda wa majibu (wastani) 71.1s
#60	LongCat 2.0 medium	Meituan	1	2.9	$0.478	0/3	339.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.478 Muda wa majibu (wastani) 339.9s
#76	DeepSeek V3.2 medium	DeepSeek	1	2.9	$0.078	0/3	24.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.078 Muda wa majibu (wastani) 24.3s
#77	Kimi K2.5 medium	Moonshot AI	1	3.5	$0.600	0/3	137.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.600 Muda wa majibu (wastani) 137.3s
#80	Seed-2.0-Mini medium	Bytedance Seed	3	3.0	$0.101	0/3	0ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.101 Muda wa majibu (wastani) 0ms
#91	LongCat 2.0 low	Meituan	1	3.0	$0.391	0/3	86.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.391 Muda wa majibu (wastani) 86.1s
#95	Gemma 4 26B A4B medium	Google	1	2.9	$0.089	0/3	23.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.089 Muda wa majibu (wastani) 23.6s
#97	LongCat 2.0 high	Meituan	2	3.6	$0.469	0/3	400.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.469 Muda wa majibu (wastani) 400.3s
#119	Qwen3.5-35B-A3B medium	Qwen	2	4.1	$0.837	0/3	88.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.837 Muda wa majibu (wastani) 88.3s
#140	Nemotron 3 Super medium	NVIDIA	1	2.9	$0.050	0/3	16.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.050 Muda wa majibu (wastani) 16.2s

Chuja miundo

Modeli bora kwa Idadi ya Muda umeisha

Idadi ya Muda umeisha dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Mahususi kwa domeni: Muda umeisha

Chuja miundo

Modeli bora kwa Idadi ya Muda umeisha

Idadi ya Muda umeisha dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa