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

654

Modeli iliyoathirika zaidi

Claude Opus 5 3

Sababu za kushindwa

Jibu lisilo sahihi654 Muda umeisha41 Hakuna jibu35 Muundo wa ziada23 Hitilafu ya API17 Hakufuata maelekezo2

Kategoria

Mahususi kwa domeni654 Mbinu za kupinga AI386 Uandishi wa msimbo361 Utatuzi wa mafumbo275 Maarifa ya jumla244 Mchanganyiko95 Akili ya jumla90 Ufuataji wa maagizo82 Uchanganuzi na uchimbaji wa data66 Mwito wa zana5

299/299

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#222	Owl Alpha medium	Openrouter	2	5.3	$0.000	1/3	8.58s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 8.58s
#223	Gemma 4 26B A4B none	Google	2	5.3	$0.015	1/3	2.10s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.015 Muda wa majibu (wastani) 2.10s
#224	Mimo V2 PRO none	Xiaomi	2	5.3	$0.045	1/3	1.78s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.045 Muda wa majibu (wastani) 1.78s
#225	Owl Alpha none	Openrouter	2	5.3	$0.000	1/3	3.00s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 3.00s
#226	KAT-Coder-Air V2.5 medium	Kwaipilot	2	3.0	$0.048	0/3	6.58s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.048 Muda wa majibu (wastani) 6.58s
#228	Hy4 preview low	Tencent	2	4.5	$1.745	0/3	470.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.745 Muda wa majibu (wastani) 470.2s
#230	Hy3 preview low	Tencent	2	5.9	$0.042	1/3	40.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.042 Muda wa majibu (wastani) 40.4s
#232	Mimo V2 Omni none	Xiaomi	2	5.3	$0.021	1/3	2.10s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.021 Muda wa majibu (wastani) 2.10s
#239	DeepSeek V4 Flash 0731 none	DeepSeek	2	5.3	$0.011	1/3	1.17s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.011 Muda wa majibu (wastani) 1.17s
#241	Inkling Small none	Thinkingmachines	2	5.3	$0.054	1/3	442ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.054 Muda wa majibu (wastani) 442ms
#242	Laguna XS 2.1 none	Poolside	2	5.3	$0.008	1/3	303ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.008 Muda wa majibu (wastani) 303ms
#245	Gemini 3.1 Flash Lite Preview high	Google	2	5.3	$2.310	1/3	127.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.310 Muda wa majibu (wastani) 127.6s
#248	Inkling none	Thinkingmachines	2	5.3	$0.147	1/3	1.18s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.147 Muda wa majibu (wastani) 1.18s
#249	Granite 4.2 8B medium	IBM Granite	2	5.3	$0.009	1/3	14.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.009 Muda wa majibu (wastani) 14.0s
#251	Mistral Small 4 none	Mistral	2	5.3	$0.022	1/3	377ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.022 Muda wa majibu (wastani) 377ms

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