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) |
|---|---|---|---|---|---|---|---|
| #233 | Step 3.7 Flash high | Stepfun | 8 | 0.7 | $1.478 | 11/23 | 72.7s |
| #237 | Minimax M3.1 Flash high | Minimax | 8 | 0.7 | $0.000 | 9/23 | 34.0s |
| #241 | Beam 1.0 501B A23B xhigh | Reflection | 8 | 0.6 | $0.688 | 12/23 | 9.18s |
| #242 | GLM 5.3 low | Z.ai | 8 | 0.6 | $0.215 | 12/23 | 15.2s |
| #259 | Dots 3 Note Preview low | Dots Studio | 8 | 0.6 | $0.000 | 10/23 | 66.1s |
| #280 | Gemini 3.1 Flash Lite Preview none | 8 | 0.6 | $0.090 | 12/23 | 3.60s | |
| #428 | Hy3 preview none | Tencent | 8 | 0.3 | $0.007 | 4/21 | 12.9s |
| #434 | Laguna Xs.2 default | Poolside | 8 | 0.3 | $0.004 | 5/19 | 806ms |
| #443 | Decider V1.1 27B default | Perplexity | 8 | 0.3 | $0.002 | 4/12 | 320ms |
| #444 | Drex v1.5 default | Nace AI | 8 | 0.2 | $0.002 | 4/12 | 986ms |
| #445 | GPT-6 Luna Decisions default | OpenAI | 8 | 0.2 | $0.005 | 3/12 | 495ms |
| #449 | Classify-1 default | Scaledown | 8 | 0.2 | $0.008 | 3/12 | 4.58s |
| #115 | DeepSeek V4 Pro 0423 high | DeepSeek | 9 | 0.8 | $0.149 | 11/23 | 91.3s |
| #140 | Qwen3.7 Plus none | Qwen | 9 | 0.8 | $0.178 | 13/23 | 17.8s |
| #150 | Muse Glimmer 30B medium | Meta | 9 | 0.8 | $0.288 | 12/23 | 34.0s |