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)
#224	Mercury 2.5 Preview high	Inception	3	0.3	$0.040	0/3	5.68s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.040 Muda wa majibu (wastani) 5.68s
#225	Mercury 2.5 high	Inception	3	0.3	$0.044	0/3	4.86s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.044 Muda wa majibu (wastani) 4.86s
#229	KAT-Coder-Pro V2.5 high	Kwaipilot	3	0.3	$0.506	0/3	44.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.506 Muda wa majibu (wastani) 44.7s
#230	Grok 4.3 medium	X AI	3	0.3	$0.989	0/3	158.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.989 Muda wa majibu (wastani) 158.0s
#234	Beam 1.0 501B A23B max	Reflection	3	0.3	$0.799	0/3	31.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.799 Muda wa majibu (wastani) 31.9s
#235	Solar Pro 4 medium	Upstage	3	0.3	$0.098	0/3	201.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.098 Muda wa majibu (wastani) 201.8s
#238	Beam 1.0 501B A23B low	Reflection	3	0.3	$0.432	0/3	8.45s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.432 Muda wa majibu (wastani) 8.45s
#239	Mercury 2.5 medium	Inception	3	0.4	$0.034	0/3	4.39s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.034 Muda wa majibu (wastani) 4.39s
#243	Dots 3 Note Preview low	Dots Studio	3	0.4	$0.000	0/3	49.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 49.5s
#250	Solar Pro 4 high	Upstage	3	0.4	$0.077	0/3	280.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.077 Muda wa majibu (wastani) 280.8s
#257	DeepSeek V4 Flash 0423 none	DeepSeek	3	0.3	$0.149	0/3	15.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.149 Muda wa majibu (wastani) 15.3s
#260	KAT-Coder-Pro V2.5 medium	Kwaipilot	3	0.3	$0.669	0/3	35.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.669 Muda wa majibu (wastani) 35.1s
#264	Claude Fable 5.1 low	Anthropic	3	0.4	$3.395	0/3	19.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $3.395 Muda wa majibu (wastani) 19.3s
#266	Beam 1.0 501B A23B high	Reflection	3	0.4	$0.674	0/3	20.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.674 Muda wa majibu (wastani) 20.7s
#268	Apodex 1.1 Mini low	Apodex	3	0.4	$0.000	0/3	50.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 50.2s

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