चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: बरोबर चाचण्या ↑.
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) |
|---|---|---|---|---|---|---|---|
| #104 | Claude Opus 4.8 medium | Anthropic | 5 | 0.8 | $3.490 | 17/23 | 16.7s |
| #109 | Grok 4.5 high | X AI | 3 | 0.8 | $2.687 | 17/23 | 72.5s |
| #136 | Grok 4.5 medium | X AI | 6 | 0.8 | $2.996 | 17/23 | 68.4s |
| #194 | Qwen3.6 Max Preview medium | Qwen | 4 | 0.7 | $1.132 | 17/22 | 66.5s |
| #364 | Grok 4.20 Beta medium | X AI | 3 | 0.5 | $0.750 | 14/18 | 9.75s |
| #32 | GPT-6.1 Terra xhigh | OpenAI | 4 | 0.9 | $0.789 | 18/23 | 23.6s |
| #34 | Seed 2.1 Turbo low | Bytedance Seed | 3 | 0.9 | $1.645 | 18/23 | 161.2s |
| #40 | Qwen3.8 MAX medium | Qwen | 4 | 0.9 | $1.181 | 18/23 | 27.3s |
| #42 | Qwen3.8 Max (0902) high | Qwen | 2 | 0.9 | $3.306 | 18/23 | 186.1s |
| #44 | Claude Haiku 5.5 xhigh | Anthropic | 2 | 0.9 | $0.140 | 18/23 | 16.6s |
| #52 | Qwen3.8 Max (0902) medium | Qwen | 5 | 0.9 | $1.096 | 18/23 | 30.4s |
| #53 | Muse Spark 1.3 medium | Meta | 4 | 0.9 | $1.712 | 18/23 | 39.8s |
| #54 | Gemini 3.5 Flash Lite high | 5 | 0.9 | $0.624 | 18/23 | 11.9s | |
| #63 | Claude Fable 5 medium | Anthropic | 1 | 0.9 | $5.089 | 18/23 | 16.8s |
| #77 | GPT-6 Sol low | OpenAI | 5 | 0.9 | $0.477 | 18/23 | 8.72s |