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) |
|---|---|---|---|---|---|---|---|
| #157 | Seed-2.0-Mini medium | Bytedance Seed | 5 | 0.8 | $0.140 | 12/23 | 91.7s |
| #168 | Inkling medium | Thinkingmachines | 5 | 0.7 | $0.527 | 15/23 | 17.0s |
| #172 | Grok 4.7 medium | X AI | 5 | 0.7 | $2.938 | 15/23 | 117.7s |
| #181 | Claude Opus 4.8 low | Anthropic | 5 | 0.7 | $3.787 | 16/23 | 17.1s |
| #186 | Qwen3.6 27B medium | Qwen | 5 | 0.7 | $1.021 | 11/23 | 107.8s |
| #191 | MiMo-V2.6-Flash low | Xiaomi | 5 | 0.7 | $0.200 | 12/23 | 54.6s |
| #192 | MiMo-V2.5 medium | Xiaomi | 5 | 0.7 | $0.130 | 12/23 | 49.2s |
| #199 | Qwen3.5-122B-A10B medium | Qwen | 5 | 0.7 | $1.152 | 14/23 | 67.0s |
| #209 | Claude Opus 4.8 none | Anthropic | 5 | 0.7 | $2.334 | 13/23 | 7.54s |
| #211 | Qwen3.5-Flash medium | Qwen | 5 | 0.7 | $0.184 | 12/23 | 83.7s |
| #216 | Solar Pro 4 xhigh | Upstage | 5 | 0.7 | $0.067 | 12/23 | 142.8s |
| #222 | MiniMax M3 medium | Minimax | 5 | 0.7 | $0.422 | 11/23 | 77.0s |
| #253 | Kimi K2.5 medium | Moonshot AI | 5 | 0.6 | $0.841 | 10/23 | 125.8s |
| #292 | Claude Sonnet 4.6 none | Anthropic | 5 | 0.6 | $0.661 | 12/22 | 7.67s |
| #350 | Mimo V2 PRO medium | Xiaomi | 5 | 0.5 | $0.333 | 12/21 | 22.2s |