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)
#32	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
#33	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
#35	GLM 5.2 high	Z.ai	1	3.7	$0.817	0/3	74.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.817 Muda wa majibu (wastani) 74.0s
#42	GLM 5.2 medium	Z.ai	1	4.1	$0.187	0/3	45.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.187 Muda wa majibu (wastani) 45.5s
#44	Claude Sonnet 4.6 medium	Anthropic	1	2.9	$2.057	0/3	0ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.057 Muda wa majibu (wastani) 0ms
#47	Claude Opus 4.6 medium	Anthropic	1	3.0	$3.059	0/3	83.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $3.059 Muda wa majibu (wastani) 83.4s
#48	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
#52	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
#61	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	5.3	$0.437	1/3	17.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.437 Muda wa majibu (wastani) 17.5s
#62	Qwen3.5-27B medium	Qwen	1	5.3	$1.627	1/3	79.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.627 Muda wa majibu (wastani) 79.5s
#63	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
#67	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
#78	GLM 5.1 medium	Z.ai	1	5.3	$0.535	1/3	29.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.535 Muda wa majibu (wastani) 29.8s
#79	Grok 4.20 medium	X AI	1	5.3	$0.777	1/3	27.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.777 Muda wa majibu (wastani) 27.0s
#83	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

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