Orodha ya Utatuzi wa mafumbo x Hitilafu ya API

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Hitilafu ya API katika Utatuzi wa mafumbo, ili uone udhaifu haraka.

Modeli zilizoonyeshwa

Jumla ya kushindwa

Modeli iliyoathirika zaidi

Qwen3.6 Plus Preview 2

Sababu za kushindwa

Jibu lisilo sahihi275 Hakufuata maelekezo128 Hitilafu ya API15 Muundo wa ziada14 Hakuna jibu11 Muda umeisha11

Kategoria

Uandishi wa msimbo56 Mchanganyiko37 Mwito wa zana25 Mbinu za kupinga AI20 Mahususi kwa domeni17 Uchanganuzi na uchimbaji wa data17 Utatuzi wa mafumbo15 Akili ya jumla14 Maarifa ya jumla14 Ufuataji wa maagizo2

14/14

Nafasi	Modeli	Kampuni	Idadi ya Hitilafu ya API	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#264	Qwen3.6 Plus Preview medium	Qwen	2	5.3	$0.000	1/3	7.52s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 7.52s
#138	Seed-2.0-Code high	Bytedance Seed	1	7.8	$1.273	2/3	15.9s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.273 Muda wa majibu (wastani) 15.9s
#205	Hy3 preview high	Tencent	1	7.7	$0.135	2/3	27.9s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.135 Muda wa majibu (wastani) 27.9s
#228	Hy4 preview low	Tencent	1	5.3	$1.745	0/3	238.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.745 Muda wa majibu (wastani) 238.0s
#230	Hy3 preview low	Tencent	1	5.3	$0.042	1/3	7.51s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.042 Muda wa majibu (wastani) 7.51s
#262	DeepSeek V3.2 none	DeepSeek	1	7.6	$0.054	2/3	6.91s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.054 Muda wa majibu (wastani) 6.91s
#268	Hy4 preview none	Tencent	1	4.6	$0.041	0/3	24.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.041 Muda wa majibu (wastani) 24.1s
#279	Laguna M.1 medium	Poolside	1	5.3	$0.033	1/3	10.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.033 Muda wa majibu (wastani) 10.2s
#287	Laguna M.1 none	Poolside	1	3.0	$0.009	0/3	891ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.009 Muda wa majibu (wastani) 891ms
#294	Laguna Xs.2 medium	Poolside	1	5.3	$0.015	1/3	1.93s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.015 Muda wa majibu (wastani) 1.93s
#306	Laguna Xs.2 none	Poolside	1	5.3	$0.004	1/3	650ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.004 Muda wa majibu (wastani) 650ms
#308	Nemotron 3 Nano Omni 30b A3b Reasoning medium	NVIDIA	1	2.9	$0.000	0/3	1.40s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 1.40s
#309	Nemotron 3 Nano Omni 30b A3b Reasoning none	NVIDIA	1	3.0	$0.000	0/3	532ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 532ms
#311	LFM2-24B-A2B none	Liquid	1	3.8	$0.001	0/3	1.78s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.001 Muda wa majibu (wastani) 1.78s

Chuja miundo

Modeli bora kwa Idadi ya Hitilafu ya API

Idadi ya Hitilafu ya API dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa

Utatuzi wa mafumbo: Hitilafu ya API

Chuja miundo

Modeli bora kwa Idadi ya Hitilafu ya API

Idadi ya Hitilafu ya API dhidi ya Alama

Modeli bora kwa Muda wa majibu (wastani)

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa