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

878

Modeli iliyoathirika zaidi

Claude Opus 5 3

Sababu za kushindwa

Jibu lisilo sahihi878 Hakuna jibu63 Muda umeisha46 Hitilafu ya API40 Muundo wa ziada36 Hakufuata maelekezo3

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

414/414

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#28	Claude Opus 5 medium	Anthropic	3	0.3	$2.870	0/3	26.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.870 Muda wa majibu (wastani) 26.3s
#35	Qwen3.8 MAX medium	Qwen	3	0.3	$1.181	0/3	41.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.181 Muda wa majibu (wastani) 41.8s
#46	Qwen3.8 Max (0902) medium	Qwen	3	0.4	$1.096	0/3	49.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.096 Muda wa majibu (wastani) 49.4s
#47	Muse Spark 1.3 medium	Meta	3	0.3	$1.712	0/3	132.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.712 Muda wa majibu (wastani) 132.3s
#48	Gemini 3.5 Flash Lite high	Google	3	0.4	$0.624	0/3	23.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.624 Muda wa majibu (wastani) 23.1s
#54	Muse Spark 1.2 high	Meta	3	0.4	$2.018	0/3	108.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.018 Muda wa majibu (wastani) 108.9s
#56	Muse Spark 1.1 medium	Meta	3	0.3	$1.665	0/3	80.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.665 Muda wa majibu (wastani) 80.8s
#59	Qwen3.8 MAX low	Qwen	3	0.3	$1.089	0/3	40.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.089 Muda wa majibu (wastani) 40.1s
#63	DeepSeek V4.1 Flash medium	DeepSeek	3	0.3	$0.591	0/3	153.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.591 Muda wa majibu (wastani) 153.0s
#68	Seed 2.1 Turbo medium	Bytedance Seed	3	0.3	$2.042	0/3	656.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.042 Muda wa majibu (wastani) 656.0s
#70	DeepSeek V4.1 Flash max	DeepSeek	3	0.4	$1.204	0/3	198.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.204 Muda wa majibu (wastani) 198.4s
#72	Claude Sonnet 5.5 xhigh	Anthropic	3	0.3	$1.516	0/3	35.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.516 Muda wa majibu (wastani) 35.3s
#73	Claude Sonnet 5.5 high	Anthropic	3	0.3	$1.175	0/3	17.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.175 Muda wa majibu (wastani) 17.5s
#77	Muse Spark 1.3 low	Meta	3	0.3	$0.911	0/3	45.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.911 Muda wa majibu (wastani) 45.6s
#79	Qwen3.7 Max medium	Qwen	3	0.4	$1.689	0/3	52.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.689 Muda wa majibu (wastani) 52.5s

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