चुकीचे उत्तर अपयश क्रमवारी

कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: अपयशांची संख्या ↑.

दाखवलेली मॉडेल्स

एकूण अपयशे

3207

सर्वाधिक प्रभावित मॉडेल

Gemini 3.6 Flash 1

श्रेणी

453/453

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#351	MiMo-V2-Flash medium	Xiaomi	5	0.5	$0.043	12/21	20.1s
एकूण चाचण्या 21 चुकीच्या चाचण्या 9 एकूण खर्च $0.043 प्रतिसाद वेळ (सरासरी) 20.1s
#373	Mimo V2 Omni medium	Xiaomi	5	0.5	$0.683	10/21	41.2s
एकूण चाचण्या 21 चुकीच्या चाचण्या 11 एकूण खर्च $0.683 प्रतिसाद वेळ (सरासरी) 41.2s
#393	Ring 2.6 1t default	Inclusionai	5	0.4	$0.026	9/23	48.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 14 एकूण खर्च $0.026 प्रतिसाद वेळ (सरासरी) 48.9s
#418	Ling 3.0 Tiny low	Inclusionai	5	0.4	$0.000	4/23	63.2s
एकूण चाचण्या 23 चुकीच्या चाचण्या 19 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 63.2s
#419	Ling 3.0 Tiny medium	Inclusionai	5	0.4	$0.000	4/23	65.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 19 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 65.0s
#442	Decider V1.2 default	Perplexity	5	0.3	$0.001	5/12	517ms
एकूण चाचण्या 12 चुकीच्या चाचण्या 7 एकूण खर्च $0.001 प्रतिसाद वेळ (सरासरी) 517ms
#458	Solar Decide default	Upstage	5	0.1	$0.009	2/7	6.01s
एकूण चाचण्या 7 चुकीच्या चाचण्या 5 एकूण खर्च $0.009 प्रतिसाद वेळ (सरासरी) 6.01s
#460	Nimble v3 9B default	Bespoke Labs	5	0.8	~$0.001	1/7	363ms
एकूण चाचण्या 7 चुकीच्या चाचण्या 6 एकूण खर्च ~$0.001 प्रतिसाद वेळ (सरासरी) 363ms
#64	Pareto 26.9 default	Unbiased	6	0.9	$1.864	15/23	28.3s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $1.864 प्रतिसाद वेळ (सरासरी) 28.3s
#78	DeepSeek V4.1 Flash max	DeepSeek	6	0.9	$1.204	15/23	61.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $1.204 प्रतिसाद वेळ (सरासरी) 61.6s
#106	Qwen3.7 Plus medium	Qwen	6	0.8	$0.415	16/23	59.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $0.415 प्रतिसाद वेळ (सरासरी) 59.7s
#112	Seed-2.0-Lite medium	Bytedance Seed	6	0.8	$0.271	14/23	48.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.271 प्रतिसाद वेळ (सरासरी) 48.9s
#117	DeepSeek V4 Flash 0423 high	DeepSeek	6	0.8	$0.261	14/23	56.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 9 एकूण खर्च $0.261 प्रतिसाद वेळ (सरासरी) 56.0s
#123	Qwen3.8 Flash Next low	Qwen	6	0.8	~$0.045	15/23	23.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च ~$0.045 प्रतिसाद वेळ (सरासरी) 23.7s
#128	GPT-5.4 Mini medium	OpenAI	6	0.8	$1.102	13/23	29.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 10 एकूण खर्च $1.102 प्रतिसाद वेळ (सरासरी) 29.9s

चुकीचे उत्तर अपयशे

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स