चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↑.
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) |
|---|---|---|---|---|---|---|---|
| #127 | Claude Fable 5.1 high | Anthropic | 3 | 0.8 | $3.471 | 19/23 | 13.3s |
| #104 | Claude Opus 4.8 medium | Anthropic | 5 | 0.8 | $3.490 | 17/23 | 16.7s |
| #71 | Kimi K3.1 Pro max | Moonshot AI | 2 | 0.9 | $3.578 | 17/23 | 152.7s |
| #116 | Claude Opus 4.7 medium | Anthropic | 3 | 0.8 | $3.636 | 18/23 | 14.1s |
| #181 | Claude Opus 4.8 low | Anthropic | 5 | 0.7 | $3.787 | 16/23 | 17.1s |
| #151 | Muse Wonder xhigh | Meta | 3 | 0.8 | $4.012 | 14/23 | 34.4s |
| #91 | Qwen3.8 2.4T A95B low | Qwen | 5 | 0.8 | $4.016 | 16/23 | 120.4s |
| #320 | Step 5 Preview low | Stepfun | 2 | 0.6 | $4.110 | 10/23 | 138.3s |
| #288 | Step 5 Preview medium | Stepfun | 3 | 0.6 | $4.136 | 10/23 | 136.1s |
| #7 | GPT-6 Astra high | OpenAI | 1 | 1.0 | $4.458 | 22/23 | 20.2s |
| #198 | Step 5 Preview high | Stepfun | 3 | 0.7 | $4.513 | 10/23 | 154.4s |
| #30 | Claude Opus 5 high | Anthropic | 2 | 0.9 | $4.524 | 19/23 | 25.3s |
| #98 | GLM 5.2 high | Z.ai | 5 | 0.8 | $4.632 | 15/23 | 69.1s |
| #133 | Muse Wonder max | Meta | 2 | 0.8 | $4.766 | 16/23 | 44.4s |
| #38 | GPT-5.5 medium | OpenAI | 4 | 0.9 | $4.809 | 19/23 | 39.9s |