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) |
|---|---|---|---|---|---|---|---|
| #64 | Pareto 26.9 default | Unbiased | 6 | 0.9 | $1.864 | 15/23 | 28.3s |
| #137 | GLM 5.3 high | Z.ai | 6 | 0.8 | $0.495 | 14/23 | 28.4s |
| #404 | gpt-oss-120b none | OpenAI | 9 | 0.4 | $0.016 | 6/20 | 28.6s |
| #431 | Grok Build 0.1 none | X AI | 7 | 0.3 | $0.547 | 7/19 | 28.7s |
| #84 | Qwen3.8 Max (0902) low | Qwen | 4 | 0.9 | $1.131 | 18/23 | 29.1s |
| #166 | Inkling Small high | Thinkingmachines | 6 | 0.7 | $0.398 | 14/23 | 29.1s |
| #170 | GLM 5.3 Flash high | Z.ai | 4 | 0.7 | $0.056 | 13/23 | 29.1s |
| #155 | Space Bunny Alpha high | Stealth | 10 | 0.8 | $0.000 | 13/23 | 29.4s |
| #92 | GPT-5 Mini medium | OpenAI | 5 | 0.8 | $0.315 | 13/23 | 29.4s |
| #378 | North Mini Code default | Cohere | 13 | 0.5 | $0.000 | 4/23 | 29.5s |
| #8 | GPT-6 Astra xhigh | OpenAI | 1 | 1.0 | $6.213 | 22/23 | 29.7s |
| #128 | GPT-5.4 Mini medium | OpenAI | 6 | 0.8 | $1.102 | 13/23 | 29.9s |
| #52 | Qwen3.8 Max (0902) medium | Qwen | 5 | 0.9 | $1.096 | 18/23 | 30.4s |
| #317 | Space Bunny Alpha low | Stealth | 13 | 0.6 | $0.000 | 8/23 | 30.6s |
| #226 | Apodex 1.1 Mini high | Apodex | 9 | 0.7 | $0.000 | 11/23 | 31.2s |