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

275

Modeli iliyoathirika zaidi

Qwen3.5-Flash 3

Sababu za kushindwa

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

Kategoria

Mahususi kwa domeni654 Mbinu za kupinga AI386 Uandishi wa msimbo361 Utatuzi wa mafumbo275 Maarifa ya jumla244 Mchanganyiko95 Akili ya jumla90 Ufuataji wa maagizo82 Uchanganuzi na uchimbaji wa data66 Mwito wa zana5

186/186

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#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
#229	Qwen3.6 27B none	Qwen	1	5.3	$0.116	1/3	5.15s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.116 Muda wa majibu (wastani) 5.15s
#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
#231	Qwen3.8 27B none	Qwen	1	6.0	~$0.006	1/3	1.25s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama ~$0.006 Muda wa majibu (wastani) 1.25s
#233	DeepSeek V4 Flash 0423 none	DeepSeek	1	3.1	$0.037	0/3	23.7s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.037 Muda wa majibu (wastani) 23.7s
#236	GPT-5.6 Luna none	OpenAI	1	5.3	$0.029	1/3	790ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.029 Muda wa majibu (wastani) 790ms
#237	MiMo-V2.5-Pro none	Xiaomi	1	6.7	$0.068	1/3	1.30s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.068 Muda wa majibu (wastani) 1.30s
#246	Qwen3.6 35B A3B none	Qwen	1	3.2	$0.051	0/3	1.07s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.051 Muda wa majibu (wastani) 1.07s
#248	Inkling none	Thinkingmachines	1	5.6	$0.147	1/3	931ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.147 Muda wa majibu (wastani) 931ms
#249	Granite 4.2 8B medium	IBM Granite	1	3.1	$0.009	0/3	76.0s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.009 Muda wa majibu (wastani) 76.0s
#255	MiMo-V2.5 none	Xiaomi	1	5.4	$0.025	1/3	2.13s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.025 Muda wa majibu (wastani) 2.13s
#257	GLM 5 Turbo none	Z.ai	1	5.5	$0.047	1/3	2.65s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.047 Muda wa majibu (wastani) 2.65s
#258	North Mini Code none	Cohere	1	3.5	$0.000	0/3	24.4s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 24.4s
#259	MiniMax M2.7 medium	Minimax	1	5.9	$0.208	1/3	24.9s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.208 Muda wa majibu (wastani) 24.9s
#260	Mercury 2.5 Preview low	Inception	1	8.2	$0.011	2/3	710ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.011 Muda wa majibu (wastani) 710ms

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 inayokadiriwaMakadirio yanahusu umeme wa GPU pekee. Hayajumuishi sehemu nyingine za kompyuta wala gharama ya kununua maunzi. NVIDIA GeForce RTX 3090: 0.0572 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.005659.

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa