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) |
|---|---|---|---|---|---|---|---|
| #192 | MiMo-V2.5 medium | Xiaomi | 5 | 0.7 | $0.130 | 12/23 | 49.2s |
| #90 | Nemotron 3.5 Super VL high | NVIDIA | 3 | 0.8 | $0.349 | 15/23 | 49.9s |
| #360 | MiniMax M2.7 medium | Minimax | 6 | 0.5 | $0.326 | 5/23 | 50.3s |
| #289 | Granite 4.2 8B medium | IBM Granite | 9 | 0.6 | $0.029 | 8/23 | 50.5s |
| #230 | Qwen3.7 Flash medium | Qwen | 8 | 0.7 | $0.076 | 10/23 | 51.8s |
| #45 | Muse Spark 1.3 high | Meta | 3 | 0.9 | $1.891 | 17/23 | 52.9s |
| #58 | GLM 5.3 Flash max | Z.ai | 2 | 0.9 | $0.089 | 17/23 | 54.0s |
| #148 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 8 | 0.8 | $0.435 | 14/23 | 54.1s |
| #113 | Kimi K3.1 Pro high | Moonshot AI | 5 | 0.8 | $1.646 | 16/23 | 54.3s |
| #191 | MiMo-V2.6-Flash low | Xiaomi | 5 | 0.7 | $0.200 | 12/23 | 54.6s |
| #218 | Grok Build 0.1 medium | X AI | 6 | 0.7 | $1.419 | 13/23 | 55.1s |
| #117 | DeepSeek V4 Flash 0423 high | DeepSeek | 6 | 0.8 | $0.261 | 14/23 | 56.0s |
| #324 | Nemotron 3 Super medium | NVIDIA | 6 | 0.6 | $0.081 | 8/23 | 56.4s |
| #311 | GPT-5 Nano medium | OpenAI | 11 | 0.6 | $0.159 | 8/23 | 56.5s |
| #374 | Hy3 preview high | Tencent | 3 | 0.5 | $0.135 | 11/21 | 56.6s |