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)
#238	Qwen3.5-122B-A10B none	Qwen	2	0.5	$0.308	1/3	523ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.308 Muda wa majibu (wastani) 523ms
#244	Kimi K2.5 medium	Moonshot AI	2	0.3	$0.841	0/3	111.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.841 Muda wa majibu (wastani) 111.6s
#249	Dots 3 Note Preview high	Dots Studio	2	0.5	$0.000	1/3	69.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 69.4s
#251	LongCat 2.0 none	Meituan	2	0.5	$0.104	1/3	1.68s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.104 Muda wa majibu (wastani) 1.68s
#254	Gemini 3.5 Flash Lite low	Google	2	0.6	$0.183	1/3	3.55s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.183 Muda wa majibu (wastani) 3.55s
#261	Claude Opus 4.6 medium	Anthropic	2	0.3	$2.961	0/3	42.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.961 Muda wa majibu (wastani) 42.5s
#262	Space Bunny Alpha medium	Stealth	2	0.5	$0.000	1/3	105.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 105.6s
#263	DeepSeek V3.2 medium	DeepSeek	2	0.3	$0.152	0/3	22.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.152 Muda wa majibu (wastani) 22.9s
#264	Trinity Large Thinking low	Arcee AI	2	0.3	$0.918	0/3	140.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.918 Muda wa majibu (wastani) 140.3s
#269	GLM 5 Turbo medium	Z.ai	2	0.3	$0.323	0/3	71.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.323 Muda wa majibu (wastani) 71.1s
#270	DeepSeek V4 Flash 0731 none	DeepSeek	2	0.5	$0.053	1/3	1.17s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.053 Muda wa majibu (wastani) 1.17s
#271	Gemini 3.1 Flash Lite Preview none	Google	2	0.5	$0.090	1/3	811ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.090 Muda wa majibu (wastani) 811ms
#273	Gemini 3.5 Flash none	Google	2	0.5	$1.752	1/3	12.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.752 Muda wa majibu (wastani) 12.2s
#275	Trinity Large Thinking medium	Arcee AI	2	0.5	$0.862	1/3	124.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.862 Muda wa majibu (wastani) 124.2s
#277	Inkling none	Thinkingmachines	2	0.5	$0.292	1/3	1.18s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.292 Muda wa majibu (wastani) 1.18s

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