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.

Modeli zilizoonyeshwa

Jumla ya kushindwa

878

Modeli iliyoathirika zaidi

Claude Opus 5 3

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)
#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
#37	GPT-5.3-Codex medium	OpenAI	2	0.6	$1.318	1/3	63.9s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.318 Muda wa majibu (wastani) 63.9s
#39	Muse Spark 1.3 high	Meta	2	0.3	$1.891	0/3	174.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.891 Muda wa majibu (wastani) 174.6s
#40	Muse Wonder low	Meta	2	0.5	$2.637	1/3	51.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.637 Muda wa majibu (wastani) 51.4s
#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
#43	Muse Wonder minimal	Meta	2	0.5	$1.639	1/3	15.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.639 Muda wa majibu (wastani) 15.0s
#45	Gemini 3.5 Flash low	Google	2	0.5	$0.752	1/3	4.89s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.752 Muda wa majibu (wastani) 4.89s
#49	Gemini 4 Argon medium	Google	2	0.5	$0.674	1/3	2.44s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.674 Muda wa majibu (wastani) 2.44s
#50	Claude Opus 5 low	Anthropic	2	0.5	$2.350	1/3	8.91s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.350 Muda wa majibu (wastani) 8.91s
#52	GLM 5.3 Flash max	Z.ai	2	0.4	$0.089	0/3	203.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.089 Muda wa majibu (wastani) 203.3s
#53	Muse Spark Open low	Meta	2	0.5	$0.600	1/3	75.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.600 Muda wa majibu (wastani) 75.5s
#55	Muse Spark 1.2 medium	Meta	2	0.5	$1.590	1/3	77.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.590 Muda wa majibu (wastani) 77.2s
#58	Pareto 26.9 default	Unbiased	2	0.6	$1.864	1/3	61.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.864 Muda wa majibu (wastani) 61.0s
#60	GPT-5.4 medium	OpenAI	2	0.5	$2.213	1/3	72.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.213 Muda wa majibu (wastani) 72.4s
#61	Muse Spark Open medium	Meta	2	0.6	$1.260	1/3	216.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.260 Muda wa majibu (wastani) 216.2s

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