चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.
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) |
|---|---|---|---|---|---|---|---|
| #31 | Gemini 3.5 Flash-Lite high | 6 | 8.1 | $0.584 | 14/22 | 9.48s | |
| #101 | GLM 5.2 none | Z.ai | 8 | 6.6 | $0.128 | 12/22 | 9.34s |
| #182 | GLM 4.7 Flash none | Z.ai | 13 | 4.9 | $0.016 | 6/22 | 9.15s |
| #172 | Qwen3 Coder Next none | Qwen | 14 | 5.1 | $0.025 | 5/22 | 9.12s |
| #139 | Gemini 3 PRO Preview medium | 3 | 6.0 | $0.385 | 14/21 | 9.05s | |
| #5 | GPT-5.6 Sol low | OpenAI | 4 | 9.5 | $0.971 | 18/22 | 8.79s |
| #168 | Ling-2.6-1T none | Inclusionai | 12 | 5.3 | $0.016 | 4/22 | 8.58s |
| #155 | KAT-Coder-Air V2.5 medium | Kwaipilot | 11 | 5.6 | $0.048 | 8/22 | 8.42s |
| #12 | Gemini 3.5 Flash medium | 2 | 9.1 | $0.642 | 19/22 | 8.20s | |
| #67 | Claude Sonnet 4.6 none | Anthropic | 5 | 7.3 | $0.661 | 12/22 | 8.12s |
| #103 | Qwen3.6 Max Preview none | Qwen | 10 | 6.6 | $0.231 | 12/22 | 7.82s |
| #34 | GPT-5.2 Chat none | OpenAI | 6 | 8.0 | $0.604 | 14/22 | 7.65s |
| #162 | Gemma 4 26B A4B none | 10 | 5.5 | $0.015 | 8/22 | 7.64s | |
| #18 | Claude Opus 4.7 medium | Anthropic | 3 | 8.7 | $1.477 | 18/22 | 7.61s |
| #54 | GPT-5.6 Luna medium | OpenAI | 8 | 7.6 | $0.352 | 14/22 | 7.28s |