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) |
|---|---|---|---|---|---|---|---|
| #305 | DeepSeek V4.1 Flash 1017 none | DeepSeek | 14 | 0.6 | $0.055 | 8/23 | 3.46s |
| #312 | GPT-5.4 Mini none | OpenAI | 14 | 0.6 | $0.170 | 6/23 | 3.34s |
| #319 | Solar Pro 4 none | Upstage | 14 | 0.6 | $0.022 | 7/23 | 8.14s |
| #322 | Qwen3.5-35B-A3B none | Qwen | 14 | 0.6 | $0.120 | 6/23 | 18.3s |
| #344 | Laguna XS 2.1 none | Poolside | 14 | 0.5 | $0.020 | 5/23 | 4.56s |
| #352 | Mistral Small 4 medium | Mistral | 14 | 0.5 | $0.126 | 5/23 | 12.7s |
| #354 | Mercury 2.5 low | Inception | 14 | 0.5 | $0.020 | 6/23 | 3.34s |
| #358 | Laguna S 2.1 medium | Poolside | 14 | 0.5 | $0.092 | 4/23 | 63.1s |
| #370 | MiMo-V2.5 none | Xiaomi | 14 | 0.5 | $0.049 | 5/23 | 9.88s |
| #372 | Hy4 preview none | Tencent | 14 | 0.5 | $0.165 | 3/23 | 40.4s |
| #387 | Nemotron 3.5 Lightning low | NVIDIA | 14 | 0.5 | $0.175 | 5/23 | 83.2s |
| #313 | Mistral Large 4 none | Mistral | 15 | 0.6 | $0.290 | 6/23 | 20.4s |
| #318 | GPT-5.4 none | OpenAI | 15 | 0.6 | $0.690 | 7/23 | 3.89s |
| #336 | MiMo-V2.6-Flash none | Xiaomi | 15 | 0.5 | $0.060 | 6/23 | 6.20s |
| #340 | GPT-5.6 Luna none | OpenAI | 15 | 0.5 | $0.042 | 6/23 | 3.78s |