Orodha ya kushindwa kwa Jibu lisilo sahihi

Ona ni modeli gani za AI hukutana na Jibu lisilo sahihi mara nyingi zaidi ili utambue hatari za utegemevu kabla ya kuchagua.

Modeli zilizoonyeshwa

Jumla ya kushindwa

2258

Modeli iliyoathirika zaidi

Laguna S 2.1 18

Kategoria

Katika kategoria Mahususi kwa domeni654 Katika kategoria Mbinu za kupinga AI386 Katika kategoria Uandishi wa msimbo361 Katika kategoria Utatuzi wa mafumbo275 Katika kategoria Maarifa ya jumla244 Katika kategoria Mchanganyiko95 Katika kategoria Akili ya jumla90 Katika kategoria Ufuataji wa maagizo82 Katika kategoria Uchanganuzi na uchimbaji wa data66 Katika kategoria Mwito wa zana5

309/309

Nafasi	Modeli	Kampuni	Idadi ya Jibu lisilo sahihi	Alama	Jumla ya gharama	Majaribio sahihi	Muda wa majibu (wastani)
#29	Muse Spark 1.3 medium	Meta	4	8.8	$1.469	17/22	38.6s
Jumla ya majaribio 22 Majaribio yenye makosa 5 Jumla ya gharama $1.469 Muda wa majibu (wastani) 38.6s
#31	Claude Opus 4.8 medium	Anthropic	4	8.8	$1.983	17/22	13.0s
Jumla ya majaribio 22 Majaribio yenye makosa 5 Jumla ya gharama $1.983 Muda wa majibu (wastani) 13.0s
#32	Claude Opus 5 low	Anthropic	4	8.7	$1.121	18/22	6.99s
Jumla ya majaribio 22 Majaribio yenye makosa 4 Jumla ya gharama $1.121 Muda wa majibu (wastani) 6.99s
#33	Gemini 3.6 Flash low	Google	4	8.7	$0.251	18/22	4.92s
Jumla ya majaribio 22 Majaribio yenye makosa 4 Jumla ya gharama $0.251 Muda wa majibu (wastani) 4.92s
#36	Muse Spark 1.2 high	Meta	4	8.7	$1.771	14/22	26.6s
Jumla ya majaribio 22 Majaribio yenye makosa 8 Jumla ya gharama $1.771 Muda wa majibu (wastani) 26.6s
#38	Muse Spark 1.1 medium	Meta	4	8.6	$1.420	15/22	26.2s
Jumla ya majaribio 22 Majaribio yenye makosa 7 Jumla ya gharama $1.420 Muda wa majibu (wastani) 26.2s
#40	Qwen3.6 Max Preview medium	Qwen	4	8.6	$1.132	17/22	66.5s
Jumla ya majaribio 22 Majaribio yenye makosa 5 Jumla ya gharama $1.132 Muda wa majibu (wastani) 66.5s
#44	Muse Spark 1.2 low	Meta	4	8.4	$0.655	15/22	9.77s
Jumla ya majaribio 22 Majaribio yenye makosa 7 Jumla ya gharama $0.655 Muda wa majibu (wastani) 9.77s
#54	Muse Spark 1.3 low	Meta	4	8.2	$0.689	15/22	16.0s
Jumla ya majaribio 22 Majaribio yenye makosa 7 Jumla ya gharama $0.689 Muda wa majibu (wastani) 16.0s
#56	Qwen3.8 2.4T A95B low	Qwen	4	8.1	$2.672	15/22	119.0s
Jumla ya majaribio 22 Majaribio yenye makosa 7 Jumla ya gharama $2.672 Muda wa majibu (wastani) 119.0s
#58	Muse Glimmer 30B xhigh	Meta	4	8.1	$0.510	13/22	95.6s
Jumla ya majaribio 22 Majaribio yenye makosa 9 Jumla ya gharama $0.510 Muda wa majibu (wastani) 95.6s
#59	Inkling high	Thinkingmachines	4	8.0	$1.046	15/22	62.6s
Jumla ya majaribio 22 Majaribio yenye makosa 7 Jumla ya gharama $1.046 Muda wa majibu (wastani) 62.6s
#62	DeepSeek V4 Flash 0731 high	DeepSeek	4	8.0	$0.084	14/22	114.9s
Jumla ya majaribio 22 Majaribio yenye makosa 8 Jumla ya gharama $0.084 Muda wa majibu (wastani) 114.9s
#64	Inkling medium	Thinkingmachines	4	8.0	$0.383	15/22	15.7s
Jumla ya majaribio 22 Majaribio yenye makosa 7 Jumla ya gharama $0.383 Muda wa majibu (wastani) 15.7s
#69	Qwen3.8 27B low	Qwen	4	7.9	~$0.071	15/22	39.1s
Jumla ya majaribio 22 Majaribio yenye makosa 7 Jumla ya gharama ~$0.071 Muda wa majibu (wastani) 39.1s

Kushindwa kwa 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)