चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: अपयशांची संख्या ↑.
215/215
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) |
|---|---|---|---|---|---|---|---|
| #59 | GPT-5.6 Terra low | OpenAI | 8 | 7.5 | $0.519 | 13/22 | 5.31s |
| #71 | Step 3.7 Flash low | Stepfun | 8 | 7.3 | $0.454 | 12/22 | 20.7s |
| #74 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 8 | 7.2 | $0.317 | 13/22 | 46.4s |
| #82 | Mercury 2 medium | Inception | 8 | 7.0 | $0.093 | 10/22 | 2.72s |
| #86 | DeepSeek V4 Pro none | DeepSeek | 8 | 6.9 | $0.096 | 10/22 | 11.6s |
| #89 | Qwen3.6 Flash medium | Qwen | 8 | 6.9 | $0.738 | 12/22 | 44.7s |
| #93 | Gemini 3 Flash Preview none | 8 | 6.8 | $0.085 | 13/22 | 2.95s | |
| #96 | LongCat 2.0 low | Meituan | 8 | 6.7 | $0.391 | 10/22 | 100.3s |
| #101 | GLM 5.2 none | Z.ai | 8 | 6.6 | $0.128 | 12/22 | 9.34s |
| #126 | Gemini 3.1 Flash Lite minimal | 8 | 6.1 | $0.047 | 10/22 | 1.86s | |
| #129 | Inkling low | Thinkingmachines | 8 | 6.1 | $0.187 | 10/22 | 5.15s |
| #205 | Hy3 preview none | Tencent | 8 | 4.0 | $0.003 | 4/21 | 12.9s |
| #211 | Laguna Xs.2 none | Poolside | 8 | 3.8 | $0.004 | 5/19 | 806ms |
| #212 | gpt-oss-120b none | OpenAI | 8 | 3.7 | $0.010 | 6/19 | 21.6s |
| #85 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 9 | 6.9 | $0.467 | 11/22 | 24.0s |