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)
#18	Seed 2.1 Turbo low	Bytedance Seed	1	2.9	$1.546	0/3	424.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.546 Muda wa majibu (wastani) 424.5s
#20	Claude Fable 5.1 high	Anthropic	1	7.7	$3.364	2/3	24.3s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $3.364 Muda wa majibu (wastani) 24.3s
#33	Gemini 3.6 Flash low	Google	1	7.6	$0.251	2/3	4.65s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.251 Muda wa majibu (wastani) 4.65s
#39	Claude Fable 5 medium	Anthropic	1	5.3	$3.004	1/3	37.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $3.004 Muda wa majibu (wastani) 37.3s
#47	GPT-5.2 medium	OpenAI	1	5.9	$1.182	1/3	97.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.182 Muda wa majibu (wastani) 97.3s
#48	Qwen3.8 27B high	Qwen	1	5.3	~$0.287	1/3	526.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama ~$0.287 Muda wa majibu (wastani) 526.7s
#52	Claude Fable 5.1 medium	Anthropic	1	7.7	$2.909	2/3	19.3s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $2.909 Muda wa majibu (wastani) 19.3s
#59	Inkling high	Thinkingmachines	1	7.7	$1.046	2/3	174.7s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.046 Muda wa majibu (wastani) 174.7s
#60	Muse Spark 1.1 high	Meta	1	2.9	$2.253	0/3	94.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.253 Muda wa majibu (wastani) 94.7s
#73	GLM 5.2 medium	Z.ai	1	4.1	$0.224	0/3	45.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.224 Muda wa majibu (wastani) 45.5s
#75	Claude Sonnet 4.6 medium	Anthropic	1	3.0	$2.126	0/3	58.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $2.126 Muda wa majibu (wastani) 58.4s
#92	MiniMax M3 medium	Minimax	1	3.2	$0.300	0/3	235.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.300 Muda wa majibu (wastani) 235.0s
#94	Qwen3.5 Plus 2026-02-15 medium	Qwen	1	5.3	$0.459	1/3	56.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.459 Muda wa majibu (wastani) 56.0s
#95	Qwen3.5-27B medium	Qwen	1	5.9	$0.982	1/3	89.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.982 Muda wa majibu (wastani) 89.4s
#101	Qwen3.7 Max none	Qwen	1	7.7	$0.197	2/3	1.24s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.197 Muda wa majibu (wastani) 1.24s

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 inayokadiriwaMakadirio yanahusu umeme wa GPU pekee. Hayajumuishi sehemu nyingine za kompyuta wala gharama ya kununua maunzi. NVIDIA GeForce RTX 3090: 2.8999 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.286715.

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa