Orodha ya Utatuzi wa mafumbo x Jibu lisilo sahihi

Ona ni modeli gani za AI zina uwezekano mkubwa wa kupata Jibu lisilo sahihi katika Utatuzi wa mafumbo, ili uone udhaifu haraka. Panga kwa: Muda wa majibu (wastani) ↓.

Modeli zilizoonyeshwa

Jumla ya kushindwa

344

Modeli iliyoathirika zaidi

Xing4.0 29b A4b 1

Sababu za kushindwa

Jibu lisilo sahihi344 Hakufuata maelekezo160 Hitilafu ya API35 Muundo wa ziada16 Hakuna jibu14 Muda umeisha11

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

239/239

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#398	Xing4.0 29b A4b medium	Xingchen AGI	1	0.3	$0.000	0/3	257.1s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 257.1s
#317	Hy4 preview low	Tencent	2	0.5	$1.844	0/3	238.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $1.844 Muda wa majibu (wastani) 238.0s
#185	Step 5 Preview high	Stepfun	1	0.6	$4.513	1/3	143.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $4.513 Muda wa majibu (wastani) 143.2s
#380	Granite 4.2 8B none	IBM Granite	1	0.3	$0.037	0/3	107.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.037 Muda wa majibu (wastani) 107.6s
#67	MiMo-V2.6-Pro medium	Xiaomi	1	0.8	$0.586	2/3	92.2s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.586 Muda wa majibu (wastani) 92.2s
#323	Granite 4.2 8B low	IBM Granite	2	0.3	$0.036	0/3	90.8s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.036 Muda wa majibu (wastani) 90.8s
#272	Granite 4.2 8B medium	IBM Granite	1	0.3	$0.029	0/3	76.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.029 Muda wa majibu (wastani) 76.0s
#133	Muse Glimmer 30B high	Meta	1	0.6	$0.506	1/3	64.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.506 Muda wa majibu (wastani) 64.8s
#138	Muse Glimmer 30B medium	Meta	2	0.6	$0.288	1/3	64.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.288 Muda wa majibu (wastani) 64.7s
#174	Qwen3.6 27B medium	Qwen	1	0.8	$1.021	2/3	61.1s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.021 Muda wa majibu (wastani) 61.1s
#271	Step 5 Preview medium	Stepfun	1	0.8	$4.136	2/3	59.9s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $4.136 Muda wa majibu (wastani) 59.9s
#104	DeepSeek V4 Pro 0423 high	DeepSeek	1	0.7	$0.149	1/3	56.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.149 Muda wa majibu (wastani) 56.8s
#146	Mistral Large 4 high	Mistral	2	0.5	$1.391	1/3	55.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.391 Muda wa majibu (wastani) 55.2s
#399	Ling 3.0 Tiny high	Inclusionai	2	0.3	$0.000	0/3	54.2s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 54.2s
#121	MiMo-V2.6-Flash medium	Xiaomi	1	0.8	$0.218	2/3	52.9s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.218 Muda wa majibu (wastani) 52.9s

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

Utatuzi wa mafumbo: 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