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)
#301	Solar Pro 4 none	Upstage	3	0.3	$0.022	0/3	4.65s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.022 Muda wa majibu (wastani) 4.65s
#303	GLM 5 none	Z.ai	3	0.3	$0.140	0/3	2.24s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.140 Muda wa majibu (wastani) 2.24s
#307	Kimi K2.6 none	Moonshot AI	3	0.3	$0.486	0/3	1.39s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.486 Muda wa majibu (wastani) 1.39s
#309	Gemini 2.5 Flash none	Google	3	0.4	$0.017	0/3	449ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.017 Muda wa majibu (wastani) 449ms
#313	Seed-2.0-Code none	Bytedance Seed	3	0.3	$0.257	0/3	1.91s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.257 Muda wa majibu (wastani) 1.91s
#317	Hy4 preview low	Tencent	3	0.5	$1.844	0/3	470.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.844 Muda wa majibu (wastani) 470.2s
#319	Step 3.5 Flash medium	Stepfun	3	0.3	$0.105	0/3	311.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.105 Muda wa majibu (wastani) 311.6s
#322	GPT-5.6 Luna none	OpenAI	3	0.4	$0.042	0/3	784ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.042 Muda wa majibu (wastani) 784ms
#324	Kimi K2.5 none	Moonshot AI	3	0.3	$0.262	0/3	2.75s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.262 Muda wa majibu (wastani) 2.75s
#327	Qwen3.6 35B A3B none	Qwen	3	0.3	$0.105	0/3	7.76s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.105 Muda wa majibu (wastani) 7.76s
#330	Nemotron 3.5 Lightning high	NVIDIA	3	0.3	$0.168	0/3	88.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.168 Muda wa majibu (wastani) 88.6s
#336	Mercury 2.5 low	Inception	3	0.4	$0.020	0/3	846ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.020 Muda wa majibu (wastani) 846ms
#338	MiMo-V2.5-Pro none	Xiaomi	3	0.3	$0.135	0/3	1.79s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.135 Muda wa majibu (wastani) 1.79s
#339	Apodex 1.1 Mini default	Apodex	3	0.3	$0.000	0/3	870ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 870ms
#340	Laguna S 2.1 medium	Poolside	3	0.3	$0.092	0/3	2.68s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.092 Muda wa majibu (wastani) 2.68s

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