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

412

Modeli iliyoathirika zaidi

Muse Spark 1.1 3

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)
#101	MiMo-V2.5 medium	Xiaomi	1	5.3	$0.082	1/3	34.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.082 Muda wa majibu (wastani) 34.5s
#109	Mimo V2 PRO medium	Xiaomi	1	5.3	$0.333	1/3	8.82s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.333 Muda wa majibu (wastani) 8.82s
#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
#114	Qwen3.5-Flash medium	Qwen	1	5.3	$0.139	1/3	146.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.139 Muda wa majibu (wastani) 146.5s
#115	Gemma 4 31B none	Google	1	7.7	$0.035	2/3	3.22s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.035 Muda wa majibu (wastani) 3.22s
#119	Qwen3.5-35B-A3B medium	Qwen	1	4.1	$0.837	0/3	88.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.837 Muda wa majibu (wastani) 88.3s
#125	Qwen3.5-Flash none	Qwen	1	7.7	$0.073	2/3	905ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.073 Muda wa majibu (wastani) 905ms
#127	Qwen3.5-35B-A3B none	Qwen	1	7.7	$0.106	2/3	485ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.106 Muda wa majibu (wastani) 485ms
#128	GPT-5 Nano medium	OpenAI	1	5.2	$0.114	1/3	204.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.114 Muda wa majibu (wastani) 204.0s
#134	Mimo V2 Omni medium	Xiaomi	1	3.0	$0.683	0/3	47.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.683 Muda wa majibu (wastani) 47.9s
#144	KAT-Coder-Air V2.5 high	Kwaipilot	1	2.9	$0.077	0/3	7.47s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.077 Muda wa majibu (wastani) 7.47s
#152	Qwen3.6 27B none	Qwen	1	7.7	$0.087	2/3	3.03s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.087 Muda wa majibu (wastani) 3.03s
#167	Mistral Small 4 medium	Mistral	1	5.3	$0.096	1/3	6.11s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.096 Muda wa majibu (wastani) 6.11s
#172	MiniMax M2.7 medium	Minimax	1	3.0	$0.163	0/3	19.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.163 Muda wa majibu (wastani) 19.0s
#176	GLM 4.7 Flash none	Z.ai	1	7.7	$0.016	2/3	744ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.016 Muda wa majibu (wastani) 744ms

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