चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: अपयशांची संख्या ↑.
453/453
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #412 | Laguna M.1 medium | Poolside | 4 | 0.4 | $0.033 | 9/19 | 14.7s |
| #456 | Solar Decide Flash default | Upstage | 4 | 0.2 | $0.003 | 3/7 | 1.33s |
| #459 | Tev1 4B Experimental default | Togethercomputer | 4 | 1.0 | $0.002 | 3/7 | 498ms |
| #41 | DeepSeek V4.1 Flash 1017 low | DeepSeek | 5 | 0.9 | $0.355 | 16/23 | 32.5s |
| #52 | Qwen3.8 Max (0902) medium | Qwen | 5 | 0.9 | $1.096 | 18/23 | 30.4s |
| #54 | Gemini 3.5 Flash Lite high | 5 | 0.9 | $0.624 | 18/23 | 11.9s | |
| #65 | Kimi K3.1 Pro low | Moonshot AI | 5 | 0.9 | $1.836 | 17/23 | 47.5s |
| #66 | Qwen3.8 MAX low | Qwen | 5 | 0.9 | $1.089 | 17/23 | 25.1s |
| #67 | GPT-5.4 medium | OpenAI | 5 | 0.9 | $2.213 | 16/23 | 24.8s |
| #69 | DeepSeek V4.1 Flash high | DeepSeek | 5 | 0.9 | $0.617 | 16/23 | 33.3s |
| #70 | DeepSeek V4.1 Flash medium | DeepSeek | 5 | 0.9 | $0.591 | 16/23 | 32.9s |
| #76 | Seed 2.1 Turbo medium | Bytedance Seed | 5 | 0.9 | $2.042 | 16/23 | 189.1s |
| #77 | GPT-6 Sol low | OpenAI | 5 | 0.9 | $0.477 | 18/23 | 8.72s |
| #79 | GPT-6.1 Terra none | OpenAI | 5 | 0.9 | $0.184 | 18/23 | 4.08s |
| #80 | Muse Spark 1.1 low | Meta | 5 | 0.9 | $0.885 | 14/23 | 13.2s |