सामान्य ज्ञान: चुकीचे उत्तर
सामान्य ज्ञान
चुकीचे उत्तर
सामान्य ज्ञान मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: अपयशांची संख्या ↑.
अयशस्वी होण्याची कारणे
197/197
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #6 | GPT-5.6 Sol medium | OpenAI | 1 | 4.7 | $1.316 | 0/1 | 4.94s |
| #7 | GPT-5.6 Sol high | OpenAI | 1 | 4.7 | $1.234 | 0/1 | 6.97s |
| #8 | GPT-5.5 low | OpenAI | 1 | 3.0 | $1.253 | 0/1 | 10.1s |
| #12 | Qwen3.7 Max medium | Qwen | 1 | 3.0 | $1.116 | 0/1 | 33.4s |
| #14 | Qwen3.8 Max medium | Qwen | 1 | 3.0 | $0.728 | 0/1 | 11.5s |
| #15 | GPT-5.5 medium | OpenAI | 1 | 2.8 | $4.137 | 0/1 | 37.9s |
| #18 | GPT-5.3-Codex medium | OpenAI | 1 | 2.8 | $0.920 | 0/1 | 14.4s |
| #20 | Muse Spark 1.2 high | Meta | 1 | 3.0 | $1.632 | 0/1 | 15.0s |
| #21 | Gemini 3.5 Flash Lite high | 1 | 3.0 | $0.538 | 0/1 | 9.68s | |
| #23 | Claude Opus 4.7 medium | Anthropic | 1 | 3.0 | $1.477 | 0/1 | 2.25s |
| #24 | Qwen3.8 Max low | Qwen | 1 | 3.0 | $0.687 | 0/1 | 12.4s |
| #25 | Muse Spark 1.2 medium | Meta | 1 | 3.0 | $1.227 | 0/1 | 12.8s |
| #26 | Muse Spark 1.1 medium | Meta | 1 | 3.0 | $1.357 | 0/1 | 18.5s |
| #28 | Claude Opus 5 low | Anthropic | 1 | 3.0 | $1.121 | 0/1 | 6.48s |
| #29 | GPT-5.4 medium | OpenAI | 1 | 3.0 | $1.533 | 0/1 | 14.0s |