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

412

Modeli iliyoathirika zaidi

Gemini 3.5 Flash 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)
#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
#7	Gemini 3.1 Pro Preview medium	Google	1	7.7	$1.361	2/3	32.7s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.361 Muda wa majibu (wastani) 32.7s
#9	Gemini 3.5 Flash medium	Google	1	7.7	$0.642	2/3	5.24s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.642 Muda wa majibu (wastani) 5.24s
#11	Gemini 3.5 Flash low	Google	1	7.7	$0.433	2/3	3.39s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.433 Muda wa majibu (wastani) 3.39s
#23	Claude Sonnet 5 medium	Anthropic	1	7.7	$0.922	2/3	20.4s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.922 Muda wa majibu (wastani) 20.4s
#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
#29	Step 3.7 Flash medium	Stepfun	1	7.7	$0.515	2/3	48.3s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.515 Muda wa majibu (wastani) 48.3s
#44	GPT-5.6 Luna high	OpenAI	1	7.7	$1.017	2/3	79.0s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.017 Muda wa majibu (wastani) 79.0s
#59	Qwen3.7 Max none	Qwen	1	7.7	$0.197	2/3	975ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.197 Muda wa majibu (wastani) 975ms
#63	Claude Sonnet 4.6 none	Anthropic	1	7.7	$0.661	2/3	3.54s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.661 Muda wa majibu (wastani) 3.54s
#79	Gemini 3.5 Flash none	Google	1	7.6	$1.079	2/3	10.6s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.079 Muda wa majibu (wastani) 10.6s
#89	Gemini 3 Flash Preview none	Google	1	7.7	$0.085	2/3	963ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.085 Muda wa majibu (wastani) 963ms
#94	Claude Opus 4.7 none	Anthropic	1	7.7	$0.505	2/3	1.19s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.505 Muda wa majibu (wastani) 1.19s
#98	Qwen3.6 Max Preview none	Qwen	1	7.7	$0.231	2/3	1.22s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.231 Muda wa majibu (wastani) 1.22s
#110	Gemma 4 31B medium	Google	1	7.7	$0.163	2/3	38.5s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.163 Muda wa majibu (wastani) 38.5s

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