चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: स्कोअर ↑.
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) |
|---|---|---|---|---|---|---|---|
| #142 | DeepSeek V4 Flash 0731 medium | DeepSeek | 5 | 0.8 | $0.460 | 12/23 | 94.2s |
| #141 | Grok 4.5 low | X AI | 7 | 0.8 | $1.345 | 16/23 | 18.1s |
| #140 | Qwen3.7 Plus none | Qwen | 9 | 0.8 | $0.178 | 13/23 | 17.8s |
| #139 | Grok 4.6 medium | X AI | 6 | 0.8 | $2.270 | 16/23 | 74.8s |
| #138 | Step 3.7 Flash medium | Stepfun | 6 | 0.8 | $0.571 | 13/23 | 26.6s |
| #137 | GLM 5.3 high | Z.ai | 6 | 0.8 | $0.495 | 14/23 | 28.4s |
| #136 | Grok 4.5 medium | X AI | 6 | 0.8 | $2.996 | 17/23 | 68.4s |
| #135 | DeepSeek V4.1 Flash 1017 high | DeepSeek | 5 | 0.8 | $0.589 | 13/23 | 58.6s |
| #134 | Ling 3.1 Flash high | Inclusionai | 2 | 0.8 | $0.000 | 15/23 | 87.4s |
| #133 | Muse Wonder max | Meta | 2 | 0.8 | $4.766 | 16/23 | 44.4s |
| #132 | MiMo-V2.6-Flash medium | Xiaomi | 6 | 0.8 | $0.218 | 12/23 | 61.9s |
| #131 | Qwen3.8 2.4T A95B high | Qwen | 4 | 0.8 | $2.949 | 15/23 | 120.9s |
| #130 | Gemini 3.5 Flash medium | 3 | 0.8 | $1.316 | 18/23 | 11.8s | |
| #129 | Qwen3.7 Max none | Qwen | 7 | 0.8 | $0.451 | 16/23 | 7.85s |
| #128 | GPT-5.4 Mini medium | OpenAI | 6 | 0.8 | $1.102 | 13/23 | 29.9s |