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

421

Modeli iliyoathirika zaidi

Muse Spark 1.1 3

Sababu za kushindwa

Jibu lisilo sahihi421 Muda umeisha43 Muundo wa ziada17 Hakuna jibu8 Hitilafu ya API7 Hakufuata maelekezo1

Kategoria

Mahususi kwa domeni421 Mbinu za kupinga AI293 Uandishi wa msimbo259 Utatuzi wa mafumbo204 Maarifa ya jumla172 Mchanganyiko69 Akili ya jumla62 Ufuataji wa maagizo61 Uchanganuzi na uchimbaji wa data41 Mwito wa zana3

202/202

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#214	Nemotron 3 Nano Omni 30b A3b Reasoning none	NVIDIA	3	3.6	$0.000	0/3	489ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 489ms
#5	GPT-5.6 Sol low	OpenAI	2	5.3	$0.971	1/3	29.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.971 Muda wa majibu (wastani) 29.1s
#7	GPT-5.6 Sol medium	OpenAI	2	5.9	$1.316	1/3	47.9s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.316 Muda wa majibu (wastani) 47.9s
#8	GPT-5.6 Sol high	OpenAI	2	5.3	$1.234	1/3	39.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.234 Muda wa majibu (wastani) 39.5s
#9	GPT-5.5 low	OpenAI	2	5.3	$1.253	1/3	28.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.253 Muda wa majibu (wastani) 28.1s
#11	Qwen3.7 Max medium	Qwen	2	5.9	$1.116	1/3	24.9s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.116 Muda wa majibu (wastani) 24.9s
#13	GPT-5.5 medium	OpenAI	2	5.3	$4.137	1/3	164.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $4.137 Muda wa majibu (wastani) 164.1s
#15	Grok 4.5 high	X AI	2	3.6	$1.707	0/3	332.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.707 Muda wa majibu (wastani) 332.1s
#16	GPT-5.3-Codex medium	OpenAI	2	5.9	$0.920	1/3	64.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.920 Muda wa majibu (wastani) 64.3s
#17	Claude Opus 4.8 medium	Anthropic	2	5.3	$1.931	1/3	14.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.931 Muda wa majibu (wastani) 14.6s
#20	Claude Fable 5 medium	Anthropic	2	5.3	$3.478	1/3	53.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $3.478 Muda wa majibu (wastani) 53.4s
#21	GPT-5.4 medium	OpenAI	2	5.3	$1.533	1/3	74.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.533 Muda wa majibu (wastani) 74.3s
#28	Gemini 2.5 Flash medium	Google	2	5.9	$0.643	1/3	37.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.643 Muda wa majibu (wastani) 37.3s
#29	GPT-5 Mini medium	OpenAI	2	3.6	$0.237	0/3	44.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.237 Muda wa majibu (wastani) 44.6s
#30	Muse Spark 1.1 high	Meta	2	3.5	$1.694	0/3	67.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.694 Muda wa majibu (wastani) 67.4s

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