ڈومین مخصوص x غلط جواب درجہ بندی

دیکھیں کہ ڈومین مخصوص میں کن AI ماڈلز کو غلط جواب پیش آنے کا سب سے زیادہ امکان ہے، تاکہ آپ کمزوریاں جلدی پہچان سکیں۔

دکھائے گئے ماڈلز

کل ناکامیاں

893

سب سے زیادہ متاثر ماڈل

Claude Opus 5 3

ناکامی کی وجوہات

غلط جواب893 کوئی جواب نہیں66 ٹائم آؤٹ46 API خرابی40 اضافی فارمیٹنگ36 ہدایات پر عمل نہیں کیا3

زمرے

ڈومین مخصوص893 اینٹی اے آئی چالیں519 کوڈنگ484 پہیلی حل کرنا352 معلومات عامہ315 عمومی ذہانت134 خودمختار ایجنٹ کے کام128 مشترکہ128 ہدایات کی پیروی117 ڈیٹا پارسنگ اور استخراج93

423/423

درجہ	ماڈل	کمپنی	غلط جواب کی تعداد	زمرہ اسکور	کل لاگت	درست ٹیسٹس	ردِعمل کا وقت (اوسط)
#142	Muse Wonder xhigh	Meta	2	0.4	$4.012	0/3	150.7s
کل ٹیسٹس 3 غلط ٹیسٹس 3 کل لاگت $4.012 ردِعمل کا وقت (اوسط) 150.7s
#144	GPT-6 Luna low	OpenAI	2	0.5	$0.033	1/3	18.1s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $0.033 ردِعمل کا وقت (اوسط) 18.1s
#145	Qwen3.8 27B low	Qwen	2	0.5	~$0.089	1/3	60.8s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت ~$0.089 ردِعمل کا وقت (اوسط) 60.8s
#150	Seed-2.0-Code high	Bytedance Seed	2	0.3	$1.448	0/3	419.7s
کل ٹیسٹس 3 غلط ٹیسٹس 3 کل لاگت $1.448 ردِعمل کا وقت (اوسط) 419.7s
#154	Seed-2.0-Code medium	Bytedance Seed	2	0.5	$1.275	1/3	429.8s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $1.275 ردِعمل کا وقت (اوسط) 429.8s
#156	Grok 4.7 low	X AI	2	0.5	$1.933	1/3	159.1s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $1.933 ردِعمل کا وقت (اوسط) 159.1s
#157	Inkling Small high	Thinkingmachines	2	0.5	$0.398	1/3	56.3s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $0.398 ردِعمل کا وقت (اوسط) 56.3s
#159	Inkling medium	Thinkingmachines	2	0.5	$0.527	1/3	31.6s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $0.527 ردِعمل کا وقت (اوسط) 31.6s
#161	GLM 5.3 Flash high	Z.ai	2	0.3	$0.056	0/3	85.9s
کل ٹیسٹس 3 غلط ٹیسٹس 3 کل لاگت $0.056 ردِعمل کا وقت (اوسط) 85.9s
#163	Grok 4.7 medium	X AI	2	0.5	$2.938	1/3	300.4s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $2.938 ردِعمل کا وقت (اوسط) 300.4s
#164	Gemini 2.5 Flash medium	Google	2	0.6	$0.680	1/3	37.1s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $0.680 ردِعمل کا وقت (اوسط) 37.1s
#165	LongCat 2.0 high	Meituan	2	0.4	$0.778	0/3	433.7s
کل ٹیسٹس 3 غلط ٹیسٹس 3 کل لاگت $0.778 ردِعمل کا وقت (اوسط) 433.7s
#168	Qwen3.5-27B none	Qwen	2	0.5	$0.116	1/3	634ms
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $0.116 ردِعمل کا وقت (اوسط) 634ms
#170	Qwen3.8 27B medium	Qwen	2	0.5	~$0.073	1/3	77.0s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت ~$0.073 ردِعمل کا وقت (اوسط) 77.0s
#171	Gemini 3.8 Flash low	Google	2	0.6	$0.323	1/3	6.50s
کل ٹیسٹس 3 غلط ٹیسٹس 2 کل لاگت $0.323 ردِعمل کا وقت (اوسط) 6.50s

ماڈلز فلٹر کریں

غلط جواب کی تعداد کے لحاظ سے سرفہرست ماڈلز

غلط جواب کی تعداد بمقابلہ اسکور

ردِعمل کا وقت (اوسط) کے لحاظ سے سرفہرست ماڈلز

تخمینی ضائع لاگت کے لحاظ سے سرفہرست ماڈلز

ڈومین مخصوص: غلط جواب

ماڈلز فلٹر کریں

غلط جواب کی تعداد کے لحاظ سے سرفہرست ماڈلز

غلط جواب کی تعداد بمقابلہ اسکور

ردِعمل کا وقت (اوسط) کے لحاظ سے سرفہرست ماڈلز