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.

Modeli zilizoonyeshwa

Jumla ya kushindwa

344

Modeli iliyoathirika zaidi

Qwen3.5-Flash 3

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)
#233	Gemini 3 Flash Preview none	Google	1	0.8	$0.155	2/3	1.05s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.155 Muda wa majibu (wastani) 1.05s
#237	Kimi K2.5 medium	Moonshot AI	1	0.5	$0.841	1/3	43.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.841 Muda wa majibu (wastani) 43.2s
#241	MiMo-V2.5-Pro medium	Xiaomi	1	0.7	$0.332	1/3	5.31s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.332 Muda wa majibu (wastani) 5.31s
#243	Dots 3 Note Preview low	Dots Studio	1	0.5	$0.000	1/3	8.52s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 8.52s
#246	Qwen3.6 27B none	Qwen	1	0.5	$0.148	1/3	5.15s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.148 Muda wa majibu (wastani) 5.15s
#247	Gemini 3.5 Flash Lite low	Google	1	0.8	$0.183	2/3	1.19s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.183 Muda wa majibu (wastani) 1.19s
#251	Qwen3.5 Plus 2026-02-15 none	Qwen	1	0.8	$0.176	2/3	2.71s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.176 Muda wa majibu (wastani) 2.71s
#253	Claude Opus 4.6 medium	Anthropic	1	0.8	$2.961	2/3	4.71s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $2.961 Muda wa majibu (wastani) 4.71s
#255	DeepSeek V3.2 medium	DeepSeek	1	0.7	$0.152	1/3	37.7s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.152 Muda wa majibu (wastani) 37.7s
#256	Trinity Large Thinking low	Arcee AI	1	0.6	$0.918	1/3	3.28s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.918 Muda wa majibu (wastani) 3.28s
#257	DeepSeek V4 Flash 0423 none	DeepSeek	1	0.3	$0.149	0/3	23.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.149 Muda wa majibu (wastani) 23.7s
#258	Grok 4.20 medium	X AI	1	0.8	$1.246	2/3	6.22s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.246 Muda wa majibu (wastani) 6.22s
#259	Space Bunny Alpha xhigh	Stealth	1	0.8	$0.000	2/3	5.45s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.000 Muda wa majibu (wastani) 5.45s
#266	Beam 1.0 501B A23B high	Reflection	1	0.8	$0.674	2/3	4.02s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.674 Muda wa majibu (wastani) 4.02s
#267	Trinity Large Thinking medium	Arcee AI	1	0.5	$0.862	0/3	2.90s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.862 Muda wa majibu (wastani) 2.90s

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