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)
#202	Qwen3.5-Flash medium	Qwen	2	0.3	$0.184	0/3	143.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.184 Muda wa majibu (wastani) 143.8s
#203	Inkling low	Thinkingmachines	2	0.5	$0.293	1/3	1.68s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.293 Muda wa majibu (wastani) 1.68s
#204	Mercury 2.5 Preview medium	Inception	2	0.5	$0.039	1/3	3.72s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.039 Muda wa majibu (wastani) 3.72s
#205	GPT-6 Sol none	OpenAI	2	0.5	$0.551	1/3	3.41s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.551 Muda wa majibu (wastani) 3.41s
#209	Grok Build 0.1 medium	X AI	2	0.3	$1.419	0/3	175.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.419 Muda wa majibu (wastani) 175.9s
#210	Qwen3.5-Flash none	Qwen	2	0.5	$0.089	1/3	873ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.089 Muda wa majibu (wastani) 873ms
#214	Ember-1 max	Fireworks	2	0.4	$3.264	0/3	471.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $3.264 Muda wa majibu (wastani) 471.2s
#215	GPT 5.3 Chat default	OpenAI	2	0.3	$0.533	0/3	12.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.533 Muda wa majibu (wastani) 12.7s
#216	GPT-5.6 Sol none	OpenAI	2	0.6	$0.795	1/3	1.44s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.795 Muda wa majibu (wastani) 1.44s
#219	GPT-5.5 none	OpenAI	2	0.5	$1.212	1/3	1.27s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.212 Muda wa majibu (wastani) 1.27s
#228	Minimax M3.1 Flash high	Minimax	2	0.6	$0.000	1/3	134.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 134.5s
#232	Beam 1.0 501B A23B xhigh	Reflection	2	0.6	$0.688	1/3	20.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.688 Muda wa majibu (wastani) 20.2s
#233	GLM 5.3 low	Z.ai	2	0.5	$0.215	1/3	19.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.215 Muda wa majibu (wastani) 19.2s
#234	GLM 5.1 none	Z.ai	2	0.5	$0.451	1/3	2.27s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.451 Muda wa majibu (wastani) 2.27s
#237	Laguna XS 2.1 medium	Poolside	2	0.3	$0.083	0/3	67.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.083 Muda wa majibu (wastani) 67.5s

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