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)
#31	Gemini 3.5 Flash-Lite high	Google	2	5.3	$0.584	1/3	19.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.584 Muda wa majibu (wastani) 19.5s
#34	GPT-5.2 Chat none	OpenAI	2	5.3	$0.604	1/3	17.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.604 Muda wa majibu (wastani) 17.8s
#36	Inkling medium	Thinkingmachines	2	5.3	$0.391	1/3	35.6s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.391 Muda wa majibu (wastani) 35.6s
#38	GPT-5.6 Terra high	OpenAI	2	5.3	$1.055	1/3	43.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.055 Muda wa majibu (wastani) 43.4s
#39	Seed-2.0-Lite medium	Bytedance Seed	2	5.9	$0.234	1/3	88.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.234 Muda wa majibu (wastani) 88.7s
#43	GPT-5.6 Terra medium	OpenAI	2	5.3	$0.676	1/3	23.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.676 Muda wa majibu (wastani) 23.4s
#45	Claude Opus 4.8 low	Anthropic	2	5.3	$2.077	1/3	45.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $2.077 Muda wa majibu (wastani) 45.5s
#46	GLM 5 medium	Z.ai	2	3.5	$0.307	0/3	0ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.307 Muda wa majibu (wastani) 0ms
#50	DeepSeek V4 Pro high	DeepSeek	2	3.6	$0.200	0/3	151.5s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.200 Muda wa majibu (wastani) 151.5s
#53	GLM 5 Turbo medium	Z.ai	2	2.9	$0.323	0/3	71.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.323 Muda wa majibu (wastani) 71.1s
#54	GPT-5.6 Luna medium	OpenAI	2	5.3	$0.352	1/3	17.4s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.352 Muda wa majibu (wastani) 17.4s
#57	GPT-5.4 Nano medium	OpenAI	2	5.9	$0.138	1/3	38.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.138 Muda wa majibu (wastani) 38.2s
#59	GPT-5.6 Terra low	OpenAI	2	5.3	$0.519	1/3	8.34s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.519 Muda wa majibu (wastani) 8.34s
#64	LongCat 2.0 medium	Meituan	2	2.9	$0.478	0/3	339.9s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.478 Muda wa majibu (wastani) 339.9s
#65	Gemini 3 Flash Preview low	Google	2	5.3	$0.177	1/3	8.05s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.177 Muda wa majibu (wastani) 8.05s

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