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

878

Modeli iliyoathirika zaidi

Claude Opus 5 3

Sababu za kushindwa

Jibu lisilo sahihi878 Hakuna jibu63 Muda umeisha46 Hitilafu ya API40 Muundo wa ziada36 Hakufuata maelekezo3

Kategoria

Mahususi kwa domeni878 Mbinu za kupinga AI502 Uandishi wa msimbo477 Utatuzi wa mafumbo344 Maarifa ya jumla306 Akili ya jumla129 Kazi za mawakala126 Mchanganyiko126 Ufuataji wa maagizo111 Uchanganuzi na uchimbaji wa data93

414/414

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#385	GLM 4.7 Flash medium	Z.ai	2	0.3	$0.193	0/3	96.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.193 Muda wa majibu (wastani) 96.7s
#387	GLM 5 Turbo none	Z.ai	2	0.5	$0.047	1/3	1.97s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.047 Muda wa majibu (wastani) 1.97s
#388	Mercury 2.5 none	Inception	2	0.5	$0.026	1/3	533ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.026 Muda wa majibu (wastani) 533ms
#389	Qwen3.6 Plus Preview medium	Qwen	2	0.3	$0.000	0/3	22.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 22.1s
#391	Grok 4.20 Multi Agent Beta medium	X AI	2	0.3	$5.599	0/3	24.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $5.599 Muda wa majibu (wastani) 24.7s
#394	Laguna M.1 medium	Poolside	2	0.5	$0.033	1/3	24.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.033 Muda wa majibu (wastani) 24.1s
#395	Ling 3.0 Tiny default	Inclusionai	2	0.3	$0.000	0/3	880ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 880ms
#406	Hunter Alpha default	OpenRouter	2	0.5	$0.000	1/3	2.33s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 2.33s
#407	Grok 4.20 none	X AI	2	0.3	$0.057	0/3	687ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.057 Muda wa majibu (wastani) 687ms
#409	Laguna Xs.2 medium	Poolside	2	0.4	$0.015	0/3	11.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.015 Muda wa majibu (wastani) 11.1s
#410	Hy3 preview none	Tencent	2	0.4	$0.007	0/3	17.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.007 Muda wa majibu (wastani) 17.6s
#411	MiMo-V2-Flash default	Xiaomi	2	0.5	$0.025	1/3	564ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.025 Muda wa majibu (wastani) 564ms
#413	Grok Build 0.1 none	X AI	2	0.4	$0.547	0/3	103.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.547 Muda wa majibu (wastani) 103.7s
#415	Grok 4.1 Fast default	X AI	2	0.6	$0.008	1/3	1.06s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.008 Muda wa majibu (wastani) 1.06s
#416	Laguna Xs.2 default	Poolside	2	0.5	$0.004	1/3	371ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.004 Muda wa majibu (wastani) 371ms

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