ভুল উত্তর ব্যর্থতা
দেখুন কোন AI মডেলগুলো সবচেয়ে বেশি ভুল উত্তর সমস্যায় পড়ে, যাতে বেছে নেওয়ার আগে নির্ভরযোগ্যতার ঝুঁকি বুঝতে পারেন। সাজান: সঠিক টেস্ট ↓.
434/434
মডেল ফিল্টার করুন
বর্তমান অনুসন্ধান ও ফিল্টারের সাথে কোনো মডেল মেলেনি।
| র্যাঙ্ক | মডেল | কোম্পানি | ভুল উত্তর সংখ্যা | স্কোর | মোট খরচ | সঠিক টেস্ট | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|---|
| #213 | GLM 5.3 Flash low | Z.ai | 8 | 0.7 | $0.038 | 11/23 | 11.8s |
| #219 | Step 3.7 Flash high | Stepfun | 8 | 0.7 | $1.478 | 11/23 | 72.7s |
| #221 | KAT-Coder-Pro V2.5 low | Kwaipilot | 10 | 0.7 | $0.568 | 11/23 | 19.4s |
| #229 | KAT-Coder-Pro V2.5 high | Kwaipilot | 10 | 0.6 | $0.506 | 11/23 | 21.2s |
| #238 | Beam 1.0 501B A23B low | Reflection | 6 | 0.6 | $0.432 | 11/23 | 4.89s |
| #241 | MiMo-V2.5-Pro medium | Xiaomi | 4 | 0.6 | $0.332 | 11/23 | 56.7s |
| #245 | Qwen3.5-35B-A3B medium | Qwen | 3 | 0.6 | $0.716 | 11/23 | 111.5s |
| #250 | Solar Pro 4 high | Upstage | 6 | 0.6 | $0.077 | 11/23 | 128.9s |
| #251 | Qwen3.5 Plus 2026-02-15 none | Qwen | 11 | 0.6 | $0.176 | 11/23 | 20.1s |
| #255 | DeepSeek V3.2 medium | DeepSeek | 6 | 0.6 | $0.152 | 11/23 | 70.1s |
| #258 | Grok 4.20 medium | X AI | 7 | 0.6 | $1.246 | 11/23 | 36.7s |
| #260 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 9 | 0.6 | $0.669 | 11/23 | 23.9s |
| #264 | Claude Fable 5.1 low | Anthropic | 4 | 0.6 | $3.395 | 11/23 | 11.4s |
| #266 | Beam 1.0 501B A23B high | Reflection | 7 | 0.6 | $0.674 | 11/23 | 9.03s |
| #268 | Apodex 1.1 Mini low | Apodex | 9 | 0.6 | $0.000 | 11/23 | 33.7s |