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) |
|---|---|---|---|---|---|---|---|
| #132 | MiMo-V2.6-Flash medium | Xiaomi | 6 | 0.8 | $0.218 | 12/23 | 61.9s |
| #136 | Grok 4.5 medium | X AI | 6 | 0.8 | $2.996 | 17/23 | 68.4s |
| #137 | GLM 5.3 high | Z.ai | 6 | 0.8 | $0.495 | 14/23 | 28.4s |
| #138 | Step 3.7 Flash medium | Stepfun | 6 | 0.8 | $0.571 | 13/23 | 26.6s |
| #139 | Grok 4.6 medium | X AI | 6 | 0.8 | $2.270 | 16/23 | 74.8s |
| #144 | GPT-6 Luna high | OpenAI | 6 | 0.8 | $0.074 | 15/23 | 20.4s |
| #152 | Qwen3.8 Flash Next medium | Qwen | 6 | 0.8 | ~$0.047 | 15/23 | 24.8s |
| #158 | Mistral Large 4 high | Mistral | 6 | 0.8 | $1.391 | 12/23 | 263.7s |
| #159 | Seed-2.0-Code high | Bytedance Seed | 6 | 0.7 | $1.448 | 12/23 | 124.9s |
| #163 | Seed-2.0-Code medium | Bytedance Seed | 6 | 0.7 | $1.275 | 11/23 | 100.6s |
| #165 | Grok 4.7 low | X AI | 6 | 0.7 | $1.933 | 14/23 | 63.2s |
| #166 | Inkling Small high | Thinkingmachines | 6 | 0.7 | $0.398 | 14/23 | 29.1s |
| #173 | Gemini 2.5 Flash medium | 6 | 0.7 | $0.680 | 15/23 | 20.5s | |
| #175 | Qwen3.6 Plus medium | Qwen | 6 | 0.7 | $0.554 | 15/23 | 57.4s |
| #176 | Gemini 3.5 Flash Lite medium | 6 | 0.7 | $0.440 | 14/23 | 8.68s |