चुकीचे उत्तर अपयश क्रमवारी

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

दाखवलेली मॉडेल्स

एकूण अपयशे

3207

सर्वाधिक प्रभावित मॉडेल

Command A+ 1

श्रेणी

453/453

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#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
#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
#9	Gemini 3.7 Flash high	Google	2	1.0	$0.528	21/23	15.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.528 प्रतिसाद वेळ (सरासरी) 15.1s
#10	Gemini 3.6 Flash medium	Google	2	1.0	$0.577	21/23	14.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.577 प्रतिसाद वेळ (सरासरी) 14.0s
#11	GPT-6.1 Sol medium	OpenAI	2	1.0	$0.530	21/23	8.90s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.530 प्रतिसाद वेळ (सरासरी) 8.90s
#12	GPT-6.1 Sol high	OpenAI	2	1.0	$0.755	21/23	15.5s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.755 प्रतिसाद वेळ (सरासरी) 15.5s
#14	GPT-6 Astra low	OpenAI	2	1.0	$2.160	21/23	7.01s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $2.160 प्रतिसाद वेळ (सरासरी) 7.01s
#15	Gemini 3 Flash Preview medium	Google	2	1.0	$0.876	21/23	21.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.876 प्रतिसाद वेळ (सरासरी) 21.6s
#16	GPT-6.1 Sol low	OpenAI	2	1.0	$0.460	21/23	7.15s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.460 प्रतिसाद वेळ (सरासरी) 7.15s
#18	Gemini 4 Argon high	Google	1	1.0	$1.802	21/23	19.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $1.802 प्रतिसाद वेळ (सरासरी) 19.0s
#19	Gemini 3.7 Flash medium	Google	2	1.0	$0.278	21/23	8.16s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.278 प्रतिसाद वेळ (सरासरी) 8.16s
#20	GPT-6 Sol medium	OpenAI	2	0.9	$0.703	21/23	12.1s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.703 प्रतिसाद वेळ (सरासरी) 12.1s
#29	Gemini 3.7 Flash low	Google	2	0.9	$0.183	21/23	6.24s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.183 प्रतिसाद वेळ (सरासरी) 6.24s
#1	Gemini 3.6 Flash high	Google	1	1.0	$0.900	22/23	18.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 1 एकूण खर्च $0.900 प्रतिसाद वेळ (सरासरी) 18.9s
#3	GPT-6 Sol high	OpenAI	1	1.0	$0.921	22/23	23.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 1 एकूण खर्च $0.921 प्रतिसाद वेळ (सरासरी) 23.6s

चुकीचे उत्तर अपयशे

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स