Orodha ya Mahususi kwa domeni x Jibu lisilo sahihi

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Mahususi kwa domeni, ili uone udhaifu haraka.

Modeli zilizoonyeshwa

Jumla ya kushindwa

412

Modeli iliyoathirika zaidi

Muse Spark 1.1 3

Sababu za kushindwa

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

Kategoria

Mahususi kwa domeni412 Mbinu za kupinga AI293 Uandishi wa msimbo252 Utatuzi wa mafumbo201 Maarifa ya jumla168 Mchanganyiko68 Ufuataji wa maagizo61 Akili ya jumla59 Uchanganuzi na uchimbaji wa data41 Mwito wa zana3

198/198

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#16	Muse Spark 1.1 medium	Meta	3	3.5	$1.357	0/3	71.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.357 Muda wa majibu (wastani) 71.4s
#19	Qwen3.6 Max Preview medium	Qwen	3	2.9	$1.143	0/3	95.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.143 Muda wa majibu (wastani) 95.9s
#20	Grok 4.5 low	X AI	3	3.0	$0.935	0/3	72.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.935 Muda wa majibu (wastani) 72.6s
#22	Grok 4.5 medium	X AI	3	2.9	$1.928	0/3	198.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.928 Muda wa majibu (wastani) 198.9s
#24	Muse Spark 1.1 low	Meta	3	2.9	$0.647	0/3	29.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.647 Muda wa majibu (wastani) 29.7s
#36	Qwen3.7 Plus medium	Qwen	3	3.6	$0.267	0/3	45.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.267 Muda wa majibu (wastani) 45.3s
#37	Qwen3.6 Plus medium	Qwen	3	2.9	$0.405	0/3	29.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.405 Muda wa majibu (wastani) 29.6s
#45	DeepSeek V4 Flash high	DeepSeek	3	4.1	$0.042	0/3	100.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.042 Muda wa majibu (wastani) 100.3s
#51	Nemotron 3 Ultra medium	NVIDIA	3	3.5	$0.774	0/3	24.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.774 Muda wa majibu (wastani) 24.9s
#54	GPT-5.3 Chat none	OpenAI	3	3.5	$0.571	0/3	13.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.571 Muda wa majibu (wastani) 13.0s
#56	GPT-5.4 Mini medium	OpenAI	3	4.1	$0.756	0/3	65.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.756 Muda wa majibu (wastani) 65.3s
#62	KAT-Coder-Pro V2.5 low	Kwaipilot	3	4.1	$0.387	0/3	17.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.387 Muda wa majibu (wastani) 17.5s
#64	Gemini 3.1 Flash Lite Preview medium	Google	3	3.0	$0.115	0/3	4.21s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.115 Muda wa majibu (wastani) 4.21s
#65	Gemini 3.1 Flash Lite medium	Google	3	2.9	$0.117	0/3	3.16s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.117 Muda wa majibu (wastani) 3.16s
#69	KAT-Coder-Pro V2.5 high	Kwaipilot	3	2.9	$0.482	0/3	35.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.482 Muda wa majibu (wastani) 35.3s

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

Mahususi kwa domeni: 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