चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.
313/313
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) |
|---|---|---|---|---|---|---|---|
| #181 | Mimo V2 PRO medium | Xiaomi | 5 | 6.3 | $0.333 | 12/21 | 22.2s |
| #122 | KAT-Coder-Pro V2.5 high | Kwaipilot | 10 | 7.2 | $0.506 | 11/22 | 22.1s |
| #46 | Qwen3.8 Max low | Qwen | 5 | 8.6 | $0.702 | 16/22 | 21.8s |
| #312 | gpt-oss-120b none | OpenAI | 8 | 3.7 | $0.010 | 6/19 | 21.6s |
| #58 | Gemini 2.5 Flash medium | 6 | 8.2 | $0.644 | 15/22 | 21.1s | |
| #189 | gpt-oss-120b medium | OpenAI | 9 | 6.1 | $0.020 | 9/22 | 20.8s |
| #244 | DeepSeek V4 Flash 0731 none | DeepSeek | 13 | 5.4 | $0.011 | 4/22 | 20.7s |
| #18 | Gemini 3.1 Pro Preview medium | 2 | 9.2 | $1.352 | 20/22 | 20.6s | |
| #115 | KAT-Coder-Pro V2.5 low | Kwaipilot | 10 | 7.3 | $0.400 | 11/22 | 20.2s |
| #182 | MiMo-V2-Flash medium | Xiaomi | 5 | 6.3 | $0.043 | 12/21 | 20.1s |
| #10 | Gemini 3 Flash Preview medium | 2 | 9.5 | $0.763 | 20/22 | 19.9s | |
| #42 | Muse Spark 1.2 medium | Meta | 3 | 8.6 | $1.339 | 14/22 | 19.7s |
| #222 | Kimi K2.6 none | Moonshot AI | 12 | 5.7 | $0.233 | 6/22 | 19.6s |
| #261 | Qwen3.5-9B none | Qwen | 14 | 5.1 | $0.021 | 4/22 | 19.2s |
| #4 | GPT-6 Astra high | OpenAI | 1 | 9.9 | $3.474 | 21/22 | 18.6s |