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)
#416	Laguna Xs.2 default	Poolside	1	0.5	$0.004	1/3	650ms
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.004 Muda wa majibu (wastani) 650ms
#419	Span-02 default	Respan	1	1.0	$0.001	0/1	708ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.001 Muda wa majibu (wastani) 708ms
#422	Nemotron 3 Nano Omni 30b A3b Reasoning default	NVIDIA	1	0.3	$0.000	0/3	532ms
Jumla ya majaribio 3 Majaribio yenye makosa 3 Jumla ya gharama $0.000 Muda wa majibu (wastani) 532ms
#425	Decider V1.1 27B default	Perplexity	1	0.2	$0.002	0/1	422ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.002 Muda wa majibu (wastani) 422ms
#426	Drex v1.5 default	Nace AI	1	1.0	$0.002	0/1	850ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.002 Muda wa majibu (wastani) 850ms
#428	Kev 4B default	Jaredpalmer	1	0.2	$0.002	0/1	646ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.002 Muda wa majibu (wastani) 646ms
#430	Classify-1 default	Scaledown	1	1.0	$0.008	0/1	1.37s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.008 Muda wa majibu (wastani) 1.37s
#431	Clef Omni default	Cloudflare	1	0.2	$0.011	0/1	572ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.011 Muda wa majibu (wastani) 572ms
#432	Decider Flash V1.2 default	Perplexity	1	1.0	$0.001	0/1	424ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.001 Muda wa majibu (wastani) 424ms
#434	D1 default	Liquid	1	0.2	$0.003	0/1	570ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.003 Muda wa majibu (wastani) 570ms
#437	Solar Decide Flash default	Upstage	1	1.0	$0.003	0/1	1.66s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.003 Muda wa majibu (wastani) 1.66s
#438	Microsoft-Decision-1 default	Microsoft	1	0.2	$0.002	0/1	669ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.002 Muda wa majibu (wastani) 669ms
#439	Solar Decide default	Upstage	1	1.0	$0.009	0/1	3.47s
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.009 Muda wa majibu (wastani) 3.47s
#440	Tev1 4B Experimental default	Togethercomputer	1	0.2	$0.002	0/1	432ms
Jumla ya majaribio 1 Majaribio yenye makosa 1 Jumla ya gharama $0.002 Muda wa majibu (wastani) 432ms

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