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

878

Modeli iliyoathirika zaidi

Qwen3.8 Max (0902) 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)
#36	Qwen3.8 Max (0902) high	Qwen	1	0.6	$3.306	1/3	658.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $3.306 Muda wa majibu (wastani) 658.5s
#68	Seed 2.1 Turbo medium	Bytedance Seed	3	0.3	$2.042	0/3	656.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.042 Muda wa majibu (wastani) 656.0s
#67	MiMo-V2.6-Pro medium	Xiaomi	1	0.3	$0.586	0/3	619.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.586 Muda wa majibu (wastani) 619.7s
#66	Qwen3.8 27B high	Qwen	1	0.5	~$0.298	1/3	526.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama ~$0.298 Muda wa majibu (wastani) 526.7s
#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
#209	Ember-1 max	Fireworks	2	0.4	$3.264	0/3	471.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $3.264 Muda wa majibu (wastani) 471.2s
#317	Hy4 preview low	Tencent	3	0.5	$1.844	0/3	470.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.844 Muda wa majibu (wastani) 470.2s
#88	DeepSeek V4 Flash 0731 high	DeepSeek	2	0.3	$0.576	0/3	458.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.576 Muda wa majibu (wastani) 458.6s
#162	LongCat 2.0 high	Meituan	2	0.4	$0.778	0/3	433.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.778 Muda wa majibu (wastani) 433.7s
#151	Seed-2.0-Code medium	Bytedance Seed	2	0.5	$1.275	1/3	429.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.275 Muda wa majibu (wastani) 429.8s
#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
#147	Seed-2.0-Code high	Bytedance Seed	2	0.3	$1.448	0/3	419.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.448 Muda wa majibu (wastani) 419.7s
#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
#171	LongCat 2.0 medium	Meituan	2	0.3	$0.767	0/3	390.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.767 Muda wa majibu (wastani) 390.6s
#398	Xing4.0 29b A4b medium	Xingchen AGI	1	0.4	$0.000	0/3	381.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 381.9s

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 inayokadiriwaMakadirio yanahusu umeme wa GPU pekee. Hayajumuishi sehemu nyingine za kompyuta wala gharama ya kununua maunzi. NVIDIA GeForce RTX 3090: 3.0102 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.297613.

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa