चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.
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) |
|---|---|---|---|---|---|---|---|
| #375 | GLM 4.7 Flash none | Z.ai | 15 | 0.5 | $0.027 | 5/23 | 13.0s |
| #308 | Ling 3.0 Flash high | Inclusionai | 7 | 0.6 | $0.021 | 12/23 | 13.1s |
| #80 | Muse Spark 1.1 low | Meta | 5 | 0.9 | $0.885 | 14/23 | 13.2s |
| #31 | Claude Opus 5 medium | Anthropic | 3 | 0.9 | $2.870 | 19/23 | 13.2s |
| #127 | Claude Fable 5.1 high | Anthropic | 3 | 0.8 | $3.471 | 19/23 | 13.3s |
| #413 | Ling 3.0 Tiny default | Inclusionai | 13 | 0.4 | $0.000 | 2/23 | 13.4s |
| #24 | GPT-5.6 Sol high | OpenAI | 4 | 0.9 | $1.595 | 19/23 | 13.6s |
| #99 | GPT-5.6 Terra high | OpenAI | 7 | 0.8 | $0.698 | 15/23 | 13.6s |
| #10 | Gemini 3.6 Flash medium | 2 | 1.0 | $0.577 | 21/23 | 14.0s | |
| #167 | DeepSeek V4 Pro 0423 none | DeepSeek | 9 | 0.7 | $0.083 | 10/23 | 14.1s |
| #116 | Claude Opus 4.7 medium | Anthropic | 3 | 0.8 | $3.636 | 18/23 | 14.1s |
| #282 | Gemini 3.5 Flash none | 4 | 0.6 | $1.752 | 14/23 | 14.1s | |
| #21 | GPT-5.6 Sol medium | OpenAI | 4 | 0.9 | $1.700 | 19/23 | 14.6s |
| #303 | Qwen3.7 Flash none | Qwen | 14 | 0.6 | $0.028 | 7/23 | 14.7s |
| #412 | Laguna M.1 medium | Poolside | 4 | 0.4 | $0.033 | 9/19 | 14.7s |