चुकीचे उत्तर अपयश क्रमवारी

कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: अपयशांची संख्या ↑.

दाखवलेली मॉडेल्स

एकूण अपयशे

3207

सर्वाधिक प्रभावित मॉडेल

Gemini 3.6 Flash 1

श्रेणी

453/453

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#33	GPT-6.1 Terra low	OpenAI	2	0.9	$0.221	19/23	6.05s
एकूण चाचण्या 23 चुकीच्या चाचण्या 4 एकूण खर्च $0.221 प्रतिसाद वेळ (सरासरी) 6.05s
#35	Muse Spark Open high	Meta	2	0.9	$1.782	17/23	152.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च $1.782 प्रतिसाद वेळ (सरासरी) 152.0s
#36	Claude Opus 5.5 medium	Anthropic	2	0.9	$1.804	20/23	25.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 3 एकूण खर्च $1.804 प्रतिसाद वेळ (सरासरी) 25.9s
#37	Muse Wonder medium	Meta	2	0.9	$3.397	17/23	21.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च $3.397 प्रतिसाद वेळ (सरासरी) 21.6s
#42	Qwen3.8 Max (0902) high	Qwen	2	0.9	$3.306	18/23	186.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 5 एकूण खर्च $3.306 प्रतिसाद वेळ (सरासरी) 186.1s
#44	Claude Haiku 5.5 xhigh	Anthropic	2	0.9	$0.140	18/23	16.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 5 एकूण खर्च $0.140 प्रतिसाद वेळ (सरासरी) 16.6s
#50	Muse Spark Open xhigh	Meta	2	0.9	$2.081	16/23	92.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $2.081 प्रतिसाद वेळ (सरासरी) 92.4s
#58	GLM 5.3 Flash max	Z.ai	2	0.9	$0.089	17/23	54.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च $0.089 प्रतिसाद वेळ (सरासरी) 54.0s
#71	Kimi K3.1 Pro max	Moonshot AI	2	0.9	$3.578	17/23	152.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च $3.578 प्रतिसाद वेळ (सरासरी) 152.7s
#74	Qwen3.8 27B high	Qwen	2	0.9	~$0.298	17/23	166.3s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च ~$0.298 प्रतिसाद वेळ (सरासरी) 166.3s
#94	Gemini 3.1 Pro Preview medium	Google	2	0.8	$1.585	20/23	22.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 3 एकूण खर्च $1.585 प्रतिसाद वेळ (सरासरी) 22.7s
#101	Gemini 3.5 Flash high	Google	2	0.8	$2.737	19/23	18.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 4 एकूण खर्च $2.737 प्रतिसाद वेळ (सरासरी) 18.6s
#122	Gemini 3.8 Flash medium	Google	2	0.8	$0.769	19/23	16.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 4 एकूण खर्च $0.769 प्रतिसाद वेळ (सरासरी) 16.6s
#126	GLM 5.3 FlashX max	Z.ai	2	0.8	$0.623	15/23	44.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.623 प्रतिसाद वेळ (सरासरी) 44.0s
#133	Muse Wonder max	Meta	2	0.8	$4.766	16/23	44.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $4.766 प्रतिसाद वेळ (सरासरी) 44.4s

चुकीचे उत्तर अपयशे

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स