चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↑.
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) |
|---|---|---|---|---|---|---|---|
| #175 | Qwen3.6 Plus medium | Qwen | 6 | 0.7 | $0.554 | 15/23 | 57.4s |
| #178 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 6 | 0.7 | $0.567 | 14/23 | 97.7s |
| #235 | KAT-Coder-Pro V2.5 low | Kwaipilot | 10 | 0.7 | $0.568 | 11/23 | 19.4s |
| #138 | Step 3.7 Flash medium | Stepfun | 6 | 0.8 | $0.571 | 13/23 | 26.6s |
| #97 | DeepSeek V4 Flash 0731 high | DeepSeek | 5 | 0.8 | $0.576 | 15/23 | 118.8s |
| #10 | Gemini 3.6 Flash medium | 2 | 1.0 | $0.577 | 21/23 | 14.0s | |
| #93 | Muse Glimmer 30B xhigh | Meta | 4 | 0.8 | $0.585 | 14/23 | 97.7s |
| #75 | MiMo-V2.6-Pro medium | Xiaomi | 3 | 0.9 | $0.586 | 14/23 | 148.1s |
| #135 | DeepSeek V4.1 Flash 1017 high | DeepSeek | 5 | 0.8 | $0.589 | 13/23 | 58.6s |
| #70 | DeepSeek V4.1 Flash medium | DeepSeek | 5 | 0.9 | $0.591 | 16/23 | 32.9s |
| #193 | GPT-5.2 Chat default | OpenAI | 6 | 0.7 | $0.594 | 13/23 | 7.43s |
| #59 | Muse Spark Open low | Meta | 4 | 0.9 | $0.600 | 16/23 | 21.6s |
| #69 | DeepSeek V4.1 Flash high | DeepSeek | 5 | 0.9 | $0.617 | 16/23 | 33.3s |
| #126 | GLM 5.3 FlashX max | Z.ai | 2 | 0.8 | $0.623 | 15/23 | 44.0s |
| #54 | Gemini 3.5 Flash Lite high | 5 | 0.9 | $0.624 | 18/23 | 11.9s |