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: Jumla ya gharama ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

412

Modeli iliyoathirika zaidi

Grok 4.20 Multi Agent Beta 2

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)
#181	Grok 4.20 Multi Agent Beta medium	X AI	2	2.9	$5.599	0/3	24.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $5.599 Muda wa majibu (wastani) 24.7s
#10	GPT-5.5 medium	OpenAI	2	5.3	$4.137	1/3	164.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $4.137 Muda wa majibu (wastani) 164.1s
#17	Claude Fable 5 medium	Anthropic	2	5.3	$3.478	1/3	53.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $3.478 Muda wa majibu (wastani) 53.4s
#43	Claude Opus 4.6 medium	Anthropic	1	3.0	$3.059	0/3	83.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $3.059 Muda wa majibu (wastani) 83.4s
#163	Gemini 3.1 Flash Lite Preview high	Google	2	5.3	$2.310	1/3	127.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.310 Muda wa majibu (wastani) 127.6s
#41	Claude Opus 4.8 low	Anthropic	2	5.3	$2.077	1/3	45.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.077 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
#143	Gemini 3.1 Flash Lite high	Google	3	3.6	$2.044	0/3	139.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.044 Muda wa majibu (wastani) 139.9s
#2	Gemini 3.5 Flash high	Google	1	7.6	$1.976	2/3	14.1s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.976 Muda wa majibu (wastani) 14.1s
#14	Claude Opus 4.8 medium	Anthropic	2	5.3	$1.931	1/3	14.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.931 Muda wa majibu (wastani) 14.6s
#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
#12	Grok 4.5 high	X AI	2	3.6	$1.707	0/3	332.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.707 Muda wa majibu (wastani) 332.1s
#27	Muse Spark 1.1 high	Meta	2	3.5	$1.694	0/3	67.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.694 Muda wa majibu (wastani) 67.4s
#58	Qwen3.5-27B medium	Qwen	1	5.3	$1.627	1/3	79.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.627 Muda wa majibu (wastani) 79.5s
#18	GPT-5.4 medium	OpenAI	2	5.3	$1.533	1/3	74.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.533 Muda wa majibu (wastani) 74.3s

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