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

878

Modeli iliyoathirika zaidi

GPT-6 Astra 1

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)
#8	GPT-6 Astra xhigh	OpenAI	1	0.8	$6.213	2/3	147.0s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $6.213 Muda wa majibu (wastani) 147.0s
#391	Grok 4.20 Multi Agent Beta medium	X AI	2	0.3	$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
#57	Claude Fable 5 medium	Anthropic	1	0.5	$5.089	1/3	37.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $5.089 Muda wa majibu (wastani) 37.3s
#33	GPT-5.5 medium	OpenAI	2	0.5	$4.809	1/3	168.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $4.809 Muda wa majibu (wastani) 168.2s
#122	Muse Wonder max	Meta	1	0.3	$4.766	0/3	189.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $4.766 Muda wa majibu (wastani) 189.6s
#89	GLM 5.2 high	Z.ai	1	0.3	$4.632	0/3	126.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $4.632 Muda wa majibu (wastani) 126.8s
#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
#7	GPT-6 Astra high	OpenAI	1	0.8	$4.458	2/3	95.1s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $4.458 Muda wa majibu (wastani) 95.1s
#82	Qwen3.8 2.4T A95B low	Qwen	3	0.3	$4.016	0/3	287.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $4.016 Muda wa majibu (wastani) 287.7s
#139	Muse Wonder xhigh	Meta	2	0.4	$4.012	0/3	150.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $4.012 Muda wa majibu (wastani) 150.7s
#169	Claude Opus 4.8 low	Anthropic	2	0.5	$3.787	1/3	46.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $3.787 Muda wa majibu (wastani) 46.5s
#95	Claude Opus 4.8 medium	Anthropic	3	0.4	$3.490	0/3	18.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $3.490 Muda wa majibu (wastani) 18.1s
#116	Claude Fable 5.1 high	Anthropic	1	0.8	$3.471	2/3	24.3s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $3.471 Muda wa majibu (wastani) 24.3s
#131	Muse Wonder high	Meta	1	0.5	$3.426	1/3	78.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $3.426 Muda wa majibu (wastani) 78.6s
#203	Grok 4.7 xhigh	X AI	1	0.3	$3.398	0/3	190.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $3.398 Muda wa majibu (wastani) 190.6s

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