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)
#102	Kimi K2.7 Code medium	Moonshot AI	1	3.7	$0.687	0/3	184.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.687 Muda wa majibu (wastani) 184.2s
#108	Claude Sonnet 4.6 none	Anthropic	1	7.7	$0.661	2/3	2.27s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.661 Muda wa majibu (wastani) 2.27s
#109	GLM 5.3 high	Z.ai	1	2.9	$0.403	0/3	112.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.403 Muda wa majibu (wastani) 112.3s
#129	GLM 5.1 medium	Z.ai	1	3.0	$0.727	0/3	114.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.727 Muda wa majibu (wastani) 114.0s
#132	Grok 4.20 medium	X AI	1	2.9	$0.805	0/3	49.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.805 Muda wa majibu (wastani) 49.7s
#133	Seed-2.0-Mini medium	Bytedance Seed	1	3.0	$0.116	0/3	103.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.116 Muda wa majibu (wastani) 103.4s
#148	Gemini 3 Flash Preview none	Google	1	7.7	$0.085	2/3	879ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.085 Muda wa majibu (wastani) 879ms
#149	Gemma 4 26B A4B medium	Google	1	5.3	$0.092	1/3	35.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.092 Muda wa majibu (wastani) 35.1s
#150	GLM 5.2 none	Z.ai	1	7.7	$0.153	2/3	6.35s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.153 Muda wa majibu (wastani) 6.35s
#152	LongCat 2.0 low	Meituan	1	2.9	$0.412	0/3	183.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.412 Muda wa majibu (wastani) 183.6s
#153	Gemini 3.5 Flash minimal	Google	1	7.7	$0.300	2/3	879ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.300 Muda wa majibu (wastani) 879ms
#156	Claude Opus 4.7 none	Anthropic	1	7.7	$0.505	2/3	1.19s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.505 Muda wa majibu (wastani) 1.19s
#159	Gemini 3.1 Flash Lite Preview low	Google	1	7.7	$0.646	2/3	2.10s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.646 Muda wa majibu (wastani) 2.10s
#161	Gemini 3.1 Flash Lite low	Google	1	7.7	$0.621	2/3	1.44s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.621 Muda wa majibu (wastani) 1.44s
#164	Qwen3.5 Plus 2026-02-15 none	Qwen	1	7.7	$0.073	2/3	1.24s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.073 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 inayokadiriwa