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) |
|---|---|---|---|---|---|---|---|
| #51 | Gemini 3.5 Flash low | 3 | 0.9 | $0.752 | 19/23 | 7.85s | |
| #50 | Muse Spark Open xhigh | Meta | 2 | 0.9 | $2.081 | 16/23 | 92.4s |
| #49 | Muse Wonder minimal | Meta | 3 | 0.9 | $1.639 | 17/23 | 7.72s |
| #47 | Pareto default | Unbiased | 3 | 0.9 | $1.520 | 19/23 | 33.5s |
| #48 | Seed 2.1 Turbo high | Bytedance Seed | 4 | 0.9 | $1.892 | 17/23 | 170.5s |
| #46 | Muse Wonder low | Meta | 4 | 0.9 | $2.637 | 17/23 | 16.0s |
| #45 | Muse Spark 1.3 high | Meta | 3 | 0.9 | $1.891 | 17/23 | 52.9s |
| #44 | Claude Haiku 5.5 xhigh | Anthropic | 2 | 0.9 | $0.140 | 18/23 | 16.6s |
| #43 | GPT-5.3-Codex medium | OpenAI | 4 | 0.9 | $1.318 | 17/23 | 18.9s |
| #42 | Qwen3.8 Max (0902) high | Qwen | 2 | 0.9 | $3.306 | 18/23 | 186.1s |
| #41 | DeepSeek V4.1 Flash 1017 low | DeepSeek | 5 | 0.9 | $0.355 | 16/23 | 32.5s |
| #40 | Qwen3.8 MAX medium | Qwen | 4 | 0.9 | $1.181 | 18/23 | 27.3s |
| #38 | GPT-5.5 medium | OpenAI | 4 | 0.9 | $4.809 | 19/23 | 39.9s |
| #37 | Muse Wonder medium | Meta | 2 | 0.9 | $3.397 | 17/23 | 21.6s |
| #36 | Claude Opus 5.5 medium | Anthropic | 2 | 0.9 | $1.804 | 20/23 | 25.9s |