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

204

Modeli iliyoathirika zaidi

Qwen3.5-Flash 3

Sababu za kushindwa

Jibu lisilo sahihi204 Hakufuata maelekezo90 Hitilafu ya API12 Muundo wa ziada8 Muda umeisha5 Hakuna jibu3

Kategoria

Mahususi kwa domeni421 Mbinu za kupinga AI293 Uandishi wa msimbo259 Utatuzi wa mafumbo204 Maarifa ya jumla172 Mchanganyiko69 Akili ya jumla62 Ufuataji wa maagizo61 Uchanganuzi na uchimbaji wa data41 Mwito wa zana3

145/145

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama ya kategoria	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#42	GLM 5.2 medium	Z.ai	1	8.2	$0.187	2/3	13.1s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.187 Muda wa majibu (wastani) 13.1s
#43	GPT-5.6 Terra medium	OpenAI	1	8.4	$0.676	2/3	3.78s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.676 Muda wa majibu (wastani) 3.78s
#47	Claude Opus 4.6 medium	Anthropic	1	7.7	$3.059	2/3	4.71s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $3.059 Muda wa majibu (wastani) 4.71s
#48	GPT-5.6 Luna high	OpenAI	1	7.6	$1.017	2/3	14.6s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.017 Muda wa majibu (wastani) 14.6s
#50	DeepSeek V4 Pro high	DeepSeek	1	6.9	$0.200	1/3	56.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.200 Muda wa majibu (wastani) 56.8s
#51	MiniMax M3 medium	Minimax	1	7.9	$0.286	2/3	49.9s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.286 Muda wa majibu (wastani) 49.9s
#52	Grok Build 0.1 medium	X AI	1	7.7	$1.097	2/3	18.3s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.097 Muda wa majibu (wastani) 18.3s
#54	GPT-5.6 Luna medium	OpenAI	1	7.8	$0.352	2/3	4.04s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.352 Muda wa majibu (wastani) 4.04s
#56	Kimi K2.7 Code medium	Moonshot AI	1	5.9	$0.740	1/3	41.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.740 Muda wa majibu (wastani) 41.0s
#68	Gemini 3.1 Flash Lite Preview medium	Google	1	7.7	$0.115	2/3	5.30s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.115 Muda wa majibu (wastani) 5.30s
#69	Gemini 3.1 Flash Lite medium	Google	1	7.6	$0.117	2/3	1.95s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.117 Muda wa majibu (wastani) 1.95s
#72	Kimi K2.6 medium	Moonshot AI	1	6.0	$1.036	1/3	25.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.036 Muda wa majibu (wastani) 25.1s
#73	KAT-Coder-Pro V2.5 high	Kwaipilot	1	8.2	$0.482	2/3	3.38s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.482 Muda wa majibu (wastani) 3.38s
#74	Qwen3.5 Plus 2026-04-20 medium	Qwen	1	8.2	$0.317	2/3	17.7s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.317 Muda wa majibu (wastani) 17.7s
#75	Qwen3.7 Plus none	Qwen	1	7.7	$0.106	2/3	1.71s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.106 Muda wa majibu (wastani) 1.71s

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