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

893

Modeli iliyoathirika zaidi

Claude Opus 5 3

Sababu za kushindwa

Jibu lisilo sahihi893 Hakuna jibu66 Muda umeisha46 Hitilafu ya API40 Muundo wa ziada36 Hakufuata maelekezo3

Kategoria

Mahususi kwa domeni893 Mbinu za kupinga AI519 Uandishi wa msimbo484 Utatuzi wa mafumbo352 Maarifa ya jumla315 Akili ya jumla134 Kazi za mawakala128 Mchanganyiko128 Ufuataji wa maagizo117 Uchanganuzi na uchimbaji wa data93

423/423

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#61	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
#62	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
#63	DeepSeek V4.1 Flash high	DeepSeek	2	0.5	$0.617	1/3	127.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.617 Muda wa majibu (wastani) 127.3s
#65	Muse Spark 1.2 low	Meta	2	0.5	$0.881	1/3	28.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.881 Muda wa majibu (wastani) 28.5s
#70	GPT-6 Sol low	OpenAI	2	0.5	$0.477	1/3	11.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.477 Muda wa majibu (wastani) 11.5s
#72	Muse Spark 1.1 low	Meta	2	0.4	$0.885	0/3	33.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.885 Muda wa majibu (wastani) 33.0s
#76	Qwen3.8 Max (0902) low	Qwen	2	0.5	$1.131	1/3	34.9s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.131 Muda wa majibu (wastani) 34.9s
#77	Grok 4.6 high	X AI	2	0.5	$2.629	1/3	369.9s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.629 Muda wa majibu (wastani) 369.9s
#79	Claude Sonnet 5 medium	Anthropic	2	0.5	$1.438	1/3	20.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.438 Muda wa majibu (wastani) 20.5s
#84	GPT-5 Mini medium	OpenAI	2	0.3	$0.315	0/3	44.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.315 Muda wa majibu (wastani) 44.7s
#85	Muse Glimmer 30B xhigh	Meta	2	0.3	$0.585	0/3	142.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.585 Muda wa majibu (wastani) 142.6s
#89	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
#91	GPT-5.6 Terra high	OpenAI	2	0.5	$0.698	1/3	42.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.698 Muda wa majibu (wastani) 42.6s
#93	Gemini 3.5 Flash high	Google	2	0.5	$2.737	1/3	17.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.737 Muda wa majibu (wastani) 17.0s
#95	GPT-6 Luna medium	OpenAI	2	0.6	$0.047	1/3	22.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.047 Muda wa majibu (wastani) 22.7s

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