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)
#70	Claude Opus 4.8 none	Anthropic	2	5.3	$1.166	1/3	1.70s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.166 Muda wa majibu (wastani) 1.70s
#71	Step 3.7 Flash low	Stepfun	2	5.3	$0.454	1/3	43.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.454 Muda wa majibu (wastani) 43.3s
#77	Grok 4.3 medium	X AI	2	5.3	$0.779	1/3	181.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.779 Muda wa majibu (wastani) 181.7s
#80	DeepSeek V3.2 medium	DeepSeek	2	2.9	$0.078	0/3	24.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.078 Muda wa majibu (wastani) 24.3s
#81	Kimi K2.5 medium	Moonshot AI	2	3.5	$0.600	0/3	137.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.600 Muda wa majibu (wastani) 137.3s
#86	DeepSeek V4 Pro none	DeepSeek	2	5.3	$0.096	1/3	3.72s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.096 Muda wa majibu (wastani) 3.72s
#90	Step 3.7 Flash high	Stepfun	2	4.1	$1.207	0/3	149.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.207 Muda wa majibu (wastani) 149.6s
#94	Qwen3.6 35B A3B medium	Qwen	2	5.3	$0.746	1/3	22.5s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.746 Muda wa majibu (wastani) 22.5s
#96	LongCat 2.0 low	Meituan	2	3.0	$0.391	0/3	86.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.391 Muda wa majibu (wastani) 86.1s
#98	GLM 5V Turbo medium	Z.ai	2	5.3	$0.457	1/3	38.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.457 Muda wa majibu (wastani) 38.1s
#100	Gemma 4 26B A4B medium	Google	2	2.9	$0.089	0/3	23.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.089 Muda wa majibu (wastani) 23.6s
#101	GLM 5.2 none	Z.ai	2	5.3	$0.128	1/3	4.04s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.128 Muda wa majibu (wastani) 4.04s
#106	Hy3 preview medium	Tencent	2	5.3	$0.018	1/3	22.3s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.018 Muda wa majibu (wastani) 22.3s
#110	Gemini 3.1 Flash Lite Preview low	Google	2	5.3	$0.646	1/3	2.36s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.646 Muda wa majibu (wastani) 2.36s
#111	Gemini 3.1 Flash Lite low	Google	2	5.3	$0.621	1/3	1.52s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.621 Muda wa majibu (wastani) 1.52s

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