चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: स्कोअर ↑.
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) |
|---|---|---|---|---|---|---|---|
| #351 | MiMo-V2-Flash medium | Xiaomi | 5 | 0.5 | $0.043 | 12/21 | 20.1s |
| #349 | KAT Coder AIR V2.5 high | Kwaipilot | 9 | 0.5 | $0.077 | 7/23 | 15.2s |
| #350 | Mimo V2 PRO medium | Xiaomi | 5 | 0.5 | $0.333 | 12/21 | 22.2s |
| #348 | Nemotron 3.5 Lightning high | NVIDIA | 11 | 0.5 | $0.168 | 5/23 | 77.1s |
| #347 | Ling 3.0 Flash none | Inclusionai | 13 | 0.5 | $0.004 | 6/23 | 3.40s |
| #346 | Inkling Small low | Thinkingmachines | 9 | 0.5 | $0.055 | 9/23 | 1.99s |
| #345 | Qwen3.6 35B A3B none | Qwen | 13 | 0.5 | $0.105 | 4/23 | 8.43s |
| #344 | Laguna XS 2.1 none | Poolside | 14 | 0.5 | $0.020 | 5/23 | 4.56s |
| #343 | Qwen3.6 Max Preview none | Qwen | 11 | 0.5 | $0.228 | 11/22 | 7.82s |
| #342 | Kimi K2.5 none | Moonshot AI | 17 | 0.5 | $0.262 | 5/23 | 35.9s |
| #341 | Granite 4.2 8B low | IBM Granite | 11 | 0.5 | $0.036 | 7/23 | 58.2s |
| #340 | GPT-5.6 Luna none | OpenAI | 15 | 0.5 | $0.042 | 6/23 | 3.78s |
| #339 | Hy3 preview medium | Tencent | 3 | 0.5 | $0.049 | 14/21 | 16.3s |
| #338 | Ember-1 none | Fireworks | 10 | 0.5 | $0.786 | 8/23 | 22.6s |
| #337 | Step 3.5 Flash medium | Stepfun | 6 | 0.5 | $0.105 | 10/22 | 190.5s |