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)
#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
#384	MiniMax M2.5 medium	Minimax	1	0.5	$0.440	1/3	11.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.440 Muda wa majibu (wastani) 11.2s
#386	gpt-oss-120b none	OpenAI	1	0.6	$0.016	1/3	8.21s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.016 Muda wa majibu (wastani) 8.21s
#387	GLM 5 Turbo none	Z.ai	1	0.5	$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
#390	Qwen3.5-9B medium	Qwen	1	0.3	$0.106	0/3	32.3s
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.106 Muda wa majibu (wastani) 32.3s
#391	Grok 4.20 Multi Agent Beta medium	X AI	1	0.7	$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
#392	Hunter Alpha medium	OpenRouter	1	0.6	$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
#393	Grok 4.1 Fast medium	X AI	1	0.5	$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
#394	Laguna M.1 medium	Poolside	1	0.5	$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
#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
#402	Grok 4.20 Beta default	X AI	1	0.8	$0.087	2/3	586ms
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.087 Muda wa majibu (wastani) 586ms
#405	Elephant Alpha medium	Openrouter	1	0.5	$0.000	1/3	868ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.000 Muda wa majibu (wastani) 868ms
#406	Hunter Alpha default	OpenRouter	1	0.6	$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
#409	Laguna Xs.2 medium	Poolside	1	0.5	$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
#413	Grok Build 0.1 none	X AI	1	0.6	$0.547	1/3	9.55s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.547 Muda wa majibu (wastani) 9.55s

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