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

654

Modeli iliyoathirika zaidi

Claude Opus 5 3

Sababu za kushindwa

Jibu lisilo sahihi654 Muda umeisha41 Hakuna jibu35 Muundo wa ziada23 Hitilafu ya API17 Hakufuata maelekezo2

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

299/299

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#16	Claude Opus 5 medium	Anthropic	3	2.9	$1.586	0/3	26.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.586 Muda wa majibu (wastani) 26.3s
#19	Qwen3.7 Max medium	Qwen	3	4.1	$1.157	0/3	52.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.157 Muda wa majibu (wastani) 52.5s
#23	Qwen3.8 Max medium	Qwen	3	3.0	$0.771	0/3	41.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.771 Muda wa majibu (wastani) 41.8s
#29	Muse Spark 1.3 medium	Meta	3	3.5	$1.469	0/3	132.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.469 Muda wa majibu (wastani) 132.3s
#30	Gemini 3.5 Flash Lite high	Google	3	3.6	$0.540	0/3	23.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.540 Muda wa majibu (wastani) 23.1s
#31	Claude Opus 4.8 medium	Anthropic	3	3.6	$1.983	0/3	18.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.983 Muda wa majibu (wastani) 18.1s
#36	Muse Spark 1.2 high	Meta	3	4.1	$1.771	0/3	108.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.771 Muda wa majibu (wastani) 108.9s
#38	Muse Spark 1.1 medium	Meta	3	3.5	$1.420	0/3	80.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.420 Muda wa majibu (wastani) 80.8s
#41	Qwen3.8 Max low	Qwen	3	2.9	$0.702	0/3	40.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.702 Muda wa majibu (wastani) 40.1s
#46	Grok 4.5 low	X AI	3	2.9	$0.945	0/3	77.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.945 Muda wa majibu (wastani) 77.1s
#49	Seed 2.1 Turbo medium	Bytedance Seed	3	2.9	$1.951	0/3	656.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.951 Muda wa majibu (wastani) 656.0s
#54	Muse Spark 1.3 low	Meta	3	3.5	$0.689	0/3	45.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.689 Muda wa majibu (wastani) 45.6s
#61	DeepSeek V4 Flash 0731 low	DeepSeek	3	3.0	$0.044	0/3	255.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.044 Muda wa majibu (wastani) 255.5s
#70	Qwen3.7 Plus medium	Qwen	3	3.6	$0.277	0/3	60.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.277 Muda wa majibu (wastani) 60.1s
#71	Qwen3.6 Plus medium	Qwen	3	2.9	$0.418	0/3	46.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.418 Muda wa majibu (wastani) 46.4s

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