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

421

Modeli iliyoathirika zaidi

Muse Spark 1.1 3

Sababu za kushindwa

Jibu lisilo sahihi421 Muda umeisha43 Muundo wa ziada17 Hakuna jibu8 Hitilafu ya API7 Hakufuata maelekezo1

Kategoria

Mahususi kwa domeni421 Mbinu za kupinga AI293 Uandishi wa msimbo259 Utatuzi wa mafumbo204 Maarifa ya jumla172 Mchanganyiko69 Akili ya jumla62 Ufuataji wa maagizo61 Uchanganuzi na uchimbaji wa data41 Mwito wa zana3

202/202

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#203	Grok 4.20 none	X AI	2	3.0	$0.057	0/3	687ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.057 Muda wa majibu (wastani) 687ms
#204	Laguna Xs.2 medium	Poolside	2	4.1	$0.015	0/3	11.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.015 Muda wa majibu (wastani) 11.1s
#205	Hy3 preview none	Tencent	2	3.6	$0.003	0/3	17.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.003 Muda wa majibu (wastani) 17.6s
#206	MiMo-V2-Flash none	Xiaomi	2	5.3	$0.025	1/3	564ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.025 Muda wa majibu (wastani) 564ms
#208	Grok Build 0.1 none	X AI	2	3.6	$0.547	0/3	103.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.547 Muda wa majibu (wastani) 103.7s
#209	Grok 4.1 Fast none	X AI	2	5.9	$0.008	1/3	1.06s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.008 Muda wa majibu (wastani) 1.06s
#211	Laguna Xs.2 none	Poolside	2	5.3	$0.004	1/3	371ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.004 Muda wa majibu (wastani) 371ms
#213	Nemotron 3 Nano Omni 30b A3b Reasoning medium	NVIDIA	2	2.9	$0.000	0/3	56.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 56.7s
#1	Gemini 3.6 Flash medium	Google	1	8.2	$0.831	2/3	12.6s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.831 Muda wa majibu (wastani) 12.6s
#4	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
#10	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
#12	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
#14	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
#24	GPT-5.2 medium	OpenAI	1	5.9	$0.951	1/3	77.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.951 Muda wa majibu (wastani) 77.8s
#26	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

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