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) |
|---|---|---|---|---|---|---|---|
| #184 | GLM 5 medium | Z.ai | 4 | 0.7 | $0.479 | 15/22 | 39.0s |
| #185 | Step 3.7 Flash low | Stepfun | 9 | 0.7 | $0.449 | 11/23 | 20.7s |
| #186 | Qwen3.6 27B medium | Qwen | 5 | 0.7 | $1.021 | 11/23 | 107.8s |
| #187 | Claude Opus 5 none | Anthropic | 7 | 0.7 | $2.766 | 12/23 | 10.8s |
| #188 | Qwen3.8 Flash Next xhigh | Qwen | 6 | 0.7 | ~$0.195 | 14/23 | 102.7s |
| #189 | GLM 5.3 FlashX medium | Z.ai | 8 | 0.7 | $0.114 | 12/23 | 7.37s |
| #190 | Minimax M3.1 Flash low | Minimax | 9 | 0.7 | $0.000 | 12/23 | 14.8s |
| #191 | MiMo-V2.6-Flash low | Xiaomi | 5 | 0.7 | $0.200 | 12/23 | 54.6s |
| #192 | MiMo-V2.5 medium | Xiaomi | 5 | 0.7 | $0.130 | 12/23 | 49.2s |
| #193 | GPT-5.2 Chat default | OpenAI | 6 | 0.7 | $0.594 | 13/23 | 7.43s |
| #194 | Qwen3.6 Max Preview medium | Qwen | 4 | 0.7 | $1.132 | 17/22 | 66.5s |
| #195 | Gemini 3.1 Flash Lite Preview medium | 7 | 0.7 | $0.158 | 14/23 | 6.78s | |
| #196 | Kimi K2.7 Code medium | Moonshot AI | 8 | 0.7 | $1.136 | 11/23 | 81.2s |
| #197 | Ember-1 low | Fireworks | 3 | 0.7 | $1.488 | 13/23 | 34.9s |
| #198 | Step 5 Preview high | Stepfun | 3 | 0.7 | $4.513 | 10/23 | 154.4s |