चुकीचे उत्तर अपयश क्रमवारी

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

दाखवलेली मॉडेल्स

एकूण अपयशे

3207

सर्वाधिक प्रभावित मॉडेल

Command A+ 1

श्रेणी

453/453

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#227	GLM 5.3 Flash low	Z.ai	8	0.7	$0.038	11/23	11.8s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.038 प्रतिसाद वेळ (सरासरी) 11.8s
#233	Step 3.7 Flash high	Stepfun	8	0.7	$1.478	11/23	72.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $1.478 प्रतिसाद वेळ (सरासरी) 72.7s
#235	KAT-Coder-Pro V2.5 low	Kwaipilot	10	0.7	$0.568	11/23	19.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.568 प्रतिसाद वेळ (सरासरी) 19.4s
#244	KAT-Coder-Pro V2.5 high	Kwaipilot	10	0.6	$0.506	11/23	21.2s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.506 प्रतिसाद वेळ (सरासरी) 21.2s
#254	Beam 1.0 501B A23B low	Reflection	6	0.6	$0.432	11/23	4.89s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.432 प्रतिसाद वेळ (सरासरी) 4.89s
#257	MiMo-V2.5-Pro medium	Xiaomi	4	0.6	$0.332	11/23	56.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.332 प्रतिसाद वेळ (सरासरी) 56.7s
#261	Qwen3.5-35B-A3B medium	Qwen	3	0.6	$0.716	11/23	111.5s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.716 प्रतिसाद वेळ (सरासरी) 111.5s
#267	Solar Pro 4 high	Upstage	6	0.6	$0.077	11/23	128.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.077 प्रतिसाद वेळ (सरासरी) 128.9s
#268	Qwen3.5 Plus 2026-02-15 none	Qwen	11	0.6	$0.176	11/23	20.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.176 प्रतिसाद वेळ (सरासरी) 20.1s
#272	DeepSeek V3.2 medium	DeepSeek	6	0.6	$0.152	11/23	70.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.152 प्रतिसाद वेळ (सरासरी) 70.1s
#275	Grok 4.20 medium	X AI	7	0.6	$1.246	11/23	36.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $1.246 प्रतिसाद वेळ (सरासरी) 36.7s
#277	KAT-Coder-Pro V2.5 medium	Kwaipilot	9	0.6	$0.669	11/23	23.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.669 प्रतिसाद वेळ (सरासरी) 23.9s
#281	Claude Fable 5.1 low	Anthropic	4	0.6	$3.395	11/23	11.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $3.395 प्रतिसाद वेळ (सरासरी) 11.4s
#283	Beam 1.0 501B A23B high	Reflection	7	0.6	$0.674	11/23	9.03s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.674 प्रतिसाद वेळ (सरासरी) 9.03s
#285	Apodex 1.1 Mini low	Apodex	9	0.6	$0.000	11/23	33.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 33.7s

चुकीचे उत्तर अपयशे

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स