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: Muda wa majibu (wastani) ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

412

Modeli iliyoathirika zaidi

LongCat 2.0 1

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)
#97	LongCat 2.0 high	Meituan	1	3.6	$0.469	0/3	400.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.469 Muda wa majibu (wastani) 400.3s
#60	LongCat 2.0 medium	Meituan	2	2.9	$0.478	0/3	339.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.478 Muda wa majibu (wastani) 339.9s
#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
#190	MiniMax M2.5 medium	Minimax	2	2.9	$0.340	0/3	237.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.340 Muda wa majibu (wastani) 237.3s
#128	GPT-5 Nano medium	OpenAI	1	5.2	$0.114	1/3	204.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.114 Muda wa majibu (wastani) 204.0s
#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
#28	Inkling high	Thinkingmachines	1	7.7	$1.006	2/3	186.4s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.006 Muda wa majibu (wastani) 186.4s
#73	Grok 4.3 medium	X AI	2	5.3	$0.779	1/3	181.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.779 Muda wa majibu (wastani) 181.7s
#194	GLM 4.7 Flash medium	Z.ai	2	3.5	$0.166	0/3	174.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.166 Muda wa majibu (wastani) 174.6s
#130	Step 3.5 Flash medium	Stepfun	2	5.3	$0.108	1/3	170.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.108 Muda wa majibu (wastani) 170.5s
#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
#48	Grok Build 0.1 medium	X AI	1	5.3	$1.097	1/3	158.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.097 Muda wa majibu (wastani) 158.0s
#46	DeepSeek V4 Pro high	DeepSeek	2	3.6	$0.200	0/3	151.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.200 Muda wa majibu (wastani) 151.5s
#86	Step 3.7 Flash high	Stepfun	2	4.1	$1.207	0/3	149.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.207 Muda wa majibu (wastani) 149.6s
#114	Qwen3.5-Flash medium	Qwen	1	5.3	$0.139	1/3	146.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.139 Muda wa majibu (wastani) 146.5s

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