चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: बरोबर चाचण्या ↑.
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) |
|---|---|---|---|---|---|---|---|
| #387 | Nemotron 3.5 Lightning low | NVIDIA | 14 | 0.5 | $0.175 | 5/23 | 83.2s |
| #395 | Nemotron 3 Super none | NVIDIA | 16 | 0.4 | $0.016 | 5/23 | 7.11s |
| #396 | KAT Coder AIR V2.5 default | Kwaipilot | 13 | 0.4 | $0.070 | 5/23 | 12.0s |
| #402 | MiniMax M2.5 medium | Minimax | 7 | 0.4 | $0.440 | 5/23 | 102.3s |
| #422 | Elephant Alpha default | Openrouter | 9 | 0.4 | $0.000 | 5/21 | 1.22s |
| #445 | GPT-6 Luna Decisions default | OpenAI | 8 | 0.2 | $0.005 | 3/12 | 495ms |
| #446 | Kev 4B default | Jaredpalmer | 9 | 0.2 | $0.002 | 3/12 | 5.63s |
| #448 | Mammoth 1 default | Baseten | 6 | 0.2 | $0.000 | 3/12 | 1.80s |
| #449 | Classify-1 default | Scaledown | 8 | 0.2 | $0.008 | 3/12 | 4.58s |
| #451 | Decider Flash V1.2 default | Perplexity | 9 | 0.2 | $0.001 | 3/12 | 462ms |
| #310 | Trinity Large Thinking high | Arcee AI | 10 | 0.6 | $0.794 | 6/23 | 74.5s |
| #312 | GPT-5.4 Mini none | OpenAI | 14 | 0.6 | $0.170 | 6/23 | 3.34s |
| #313 | Mistral Large 4 none | Mistral | 15 | 0.6 | $0.290 | 6/23 | 20.4s |
| #322 | Qwen3.5-35B-A3B none | Qwen | 14 | 0.6 | $0.120 | 6/23 | 18.3s |
| #325 | Kimi K2.6 none | Moonshot AI | 13 | 0.5 | $0.486 | 6/23 | 26.3s |