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) |
|---|---|---|---|---|---|---|---|
| #424 | Hunter Alpha default | OpenRouter | 9 | 0.3 | $0.000 | 6/18 | 4.70s |
| #425 | Grok 4.20 none | X AI | 10 | 0.3 | $0.057 | 6/18 | 1.11s |
| #439 | d1-ultra default | Liquid | 7 | 0.3 | $0.003 | 4/12 | 531ms |
| #443 | Decider V1.1 27B default | Perplexity | 8 | 0.3 | $0.002 | 4/12 | 320ms |
| #444 | Drex v1.5 default | Nace AI | 8 | 0.2 | $0.002 | 4/12 | 986ms |
| #447 | Jev 1.14 default | Typesafe | 7 | 0.2 | $0.003 | 4/12 | 377ms |
| #219 | Qwen3.5-Flash none | Qwen | 14 | 0.7 | $0.089 | 8/23 | 26.5s |
| #260 | LongCat 2.0 none | Meituan | 13 | 0.6 | $0.104 | 8/23 | 8.50s |
| #262 | Qwen3.6 27B none | Qwen | 11 | 0.6 | $0.148 | 8/23 | 12.7s |
| #265 | Minimax M3.1 Flash medium | Minimax | 9 | 0.6 | $0.000 | 8/23 | 19.5s |
| #273 | Trinity Large Thinking low | Arcee AI | 7 | 0.6 | $0.918 | 8/23 | 95.2s |
| #284 | Trinity Large Thinking medium | Arcee AI | 9 | 0.6 | $0.862 | 8/23 | 84.0s |
| #287 | Qwen3.5 Plus 2026-04-20 none | Qwen | 12 | 0.6 | $0.216 | 8/23 | 18.5s |
| #289 | Granite 4.2 8B medium | IBM Granite | 9 | 0.6 | $0.029 | 8/23 | 50.5s |
| #296 | Seed-2.0-Lite none | Bytedance Seed | 14 | 0.6 | $0.114 | 8/23 | 7.49s |