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. Panga kwa: Majaribio sahihi ↑.

Modeli zilizoonyeshwa

Jumla ya kushindwa

878

Modeli iliyoathirika zaidi

Claude Opus 5 2

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)
#27	Claude Opus 5 high	Anthropic	2	0.3	$4.524	0/3	104.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $4.524 Muda wa majibu (wastani) 104.2s
#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
#29	Seed 2.1 Turbo low	Bytedance Seed	1	0.3	$1.645	0/3	424.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.645 Muda wa majibu (wastani) 424.5s
#30	Muse Spark Open high	Meta	2	0.4	$1.782	0/3	412.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.782 Muda wa majibu (wastani) 412.1s
#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
#39	Muse Spark 1.3 high	Meta	2	0.3	$1.891	0/3	174.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.891 Muda wa majibu (wastani) 174.6s
#42	Seed 2.1 Turbo high	Bytedance Seed	2	0.3	$1.892	0/3	506.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.892 Muda wa majibu (wastani) 506.2s
#44	Muse Spark Open xhigh	Meta	1	0.3	$2.081	0/3	341.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.081 Muda wa majibu (wastani) 341.5s
#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
#52	GLM 5.3 Flash max	Z.ai	2	0.4	$0.089	0/3	203.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.089 Muda wa majibu (wastani) 203.3s
#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

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