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)
#164	Gemini 3.5 Flash Lite medium	Google	1	0.8	$0.440	2/3	1.82s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.440 Muda wa majibu (wastani) 1.82s
#165	Qwen3.5-27B none	Qwen	1	0.7	$0.116	1/3	1.38s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.116 Muda wa majibu (wastani) 1.38s
#170	Qwen3.7 Flash high	Qwen	1	0.7	$0.063	1/3	10.8s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.063 Muda wa majibu (wastani) 10.8s
#174	Qwen3.6 27B medium	Qwen	1	0.8	$1.021	2/3	61.1s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $1.021 Muda wa majibu (wastani) 61.1s
#176	Qwen3.8 Flash Next xhigh	Qwen	1	0.8	~$0.195	2/3	19.5s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama ~$0.195 Muda wa majibu (wastani) 19.5s
#178	MiMo-V2.6-Flash low	Xiaomi	1	0.8	$0.200	2/3	24.2s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.200 Muda wa majibu (wastani) 24.2s
#180	GPT-5.2 Chat default	OpenAI	1	0.8	$0.594	2/3	4.10s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.594 Muda wa majibu (wastani) 4.10s
#182	Gemini 3.1 Flash Lite Preview medium	Google	1	0.8	$0.158	2/3	5.30s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.158 Muda wa majibu (wastani) 5.30s
#183	Kimi K2.7 Code medium	Moonshot AI	1	0.6	$1.136	1/3	41.0s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.136 Muda wa majibu (wastani) 41.0s
#185	Step 5 Preview high	Stepfun	1	0.6	$4.513	1/3	143.2s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $4.513 Muda wa majibu (wastani) 143.2s
#190	Gemini 3.1 Flash Lite medium	Google	1	0.8	$0.153	2/3	1.95s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.153 Muda wa majibu (wastani) 1.95s
#193	GPT-5.6 Luna low	OpenAI	1	0.8	$0.049	2/3	3.59s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.049 Muda wa majibu (wastani) 3.59s
#196	Kimi K2.6 medium	Moonshot AI	1	0.6	$1.594	1/3	25.1s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $1.594 Muda wa majibu (wastani) 25.1s
#198	Inkling low	Thinkingmachines	1	0.6	$0.293	1/3	2.97s
Jumla ya majaribio 3 Majaribio yenye makosa 2 Jumla ya gharama $0.293 Muda wa majibu (wastani) 2.97s
#200	GPT-6 Sol none	OpenAI	1	0.8	$0.551	2/3	1.40s
Jumla ya majaribio 3 Majaribio yenye makosa 1 Jumla ya gharama $0.551 Muda wa majibu (wastani) 1.40s

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: 1.9676 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.194534.

Modeli bora kwa Gharama iliyopotezwa inayokadiriwa