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)
#265	Mercury 2.5 Preview none	Inception	1	5.6	$0.018	1/3	684ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.018 Muda wa majibu (wastani) 684ms
#267	Nemotron 3 Super none	NVIDIA	1	5.5	$0.008	1/3	2.36s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.008 Muda wa majibu (wastani) 2.36s
#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
#271	GPT-5.4 Nano none	OpenAI	1	5.4	$0.041	1/3	1.25s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.041 Muda wa majibu (wastani) 1.25s
#272	Trinity Large Thinking high	Arcee AI	1	4.7	$0.592	0/3	3.84s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.592 Muda wa majibu (wastani) 3.84s
#273	Grok 4.20 Multi Agent Beta medium	X AI	1	6.7	$5.599	1/3	5.19s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $5.599 Muda wa majibu (wastani) 5.19s
#275	GLM 4.7 Flash none	Z.ai	1	6.4	$0.016	1/3	1.20s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.016 Muda wa majibu (wastani) 1.20s
#277	Hunter Alpha medium	OpenRouter	1	6.1	$0.000	1/3	5.35s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 5.35s
#278	Grok 4.1 Fast medium	X AI	1	5.3	$0.069	1/3	7.40s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.069 Muda wa majibu (wastani) 7.40s
#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
#284	MiniMax M2.5 medium	Minimax	1	5.3	$0.327	1/3	11.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.327 Muda wa majibu (wastani) 11.2s
#286	Grok 4.20 Beta none	X AI	1	7.7	$0.087	2/3	586ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.087 Muda wa majibu (wastani) 586ms
#290	Elephant Alpha medium	Openrouter	1	5.3	$0.000	1/3	868ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 868ms
#291	Granite 4.2 8B none	IBM Granite	1	3.0	$0.026	0/3	107.6s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.026 Muda wa majibu (wastani) 107.6s
#292	Hunter Alpha none	OpenRouter	1	5.8	$0.000	1/3	3.71s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 3.71s

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