चुकीचे उत्तर अपयश क्रमवारी

कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.

दाखवलेली मॉडेल्स

एकूण अपयशे

3207

सर्वाधिक प्रभावित मॉडेल

Xing4.0 29b A4b 9

श्रेणी

453/453

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#143	Muse Wonder high	Meta	2	0.8	$3.426	15/23	23.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $3.426 प्रतिसाद वेळ (सरासरी) 23.0s
#94	Gemini 3.1 Pro Preview medium	Google	2	0.8	$1.585	20/23	22.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 3 एकूण खर्च $1.585 प्रतिसाद वेळ (सरासरी) 22.7s
#338	Ember-1 none	Fireworks	10	0.5	$0.786	8/23	22.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 15 एकूण खर्च $0.786 प्रतिसाद वेळ (सरासरी) 22.6s
#382	DeepSeek V3.2 none	DeepSeek	9	0.5	$0.119	6/23	22.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 17 एकूण खर्च $0.119 प्रतिसाद वेळ (सरासरी) 22.4s
#202	Muse Glimmer 30B low	Meta	6	0.7	$0.219	11/23	22.4s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.219 प्रतिसाद वेळ (सरासरी) 22.4s
#350	Mimo V2 PRO medium	Xiaomi	5	0.5	$0.333	12/21	22.2s
एकूण चाचण्या 21 चुकीच्या चाचण्या 9 एकूण खर्च $0.333 प्रतिसाद वेळ (सरासरी) 22.2s
#252	Minimax M3.1 Flash xhigh	Minimax	9	0.6	$0.000	10/23	21.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 13 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 21.7s
#59	Muse Spark Open low	Meta	4	0.9	$0.600	16/23	21.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 7 एकूण खर्च $0.600 प्रतिसाद वेळ (सरासरी) 21.6s
#37	Muse Wonder medium	Meta	2	0.9	$3.397	17/23	21.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 6 एकूण खर्च $3.397 प्रतिसाद वेळ (सरासरी) 21.6s
#15	Gemini 3 Flash Preview medium	Google	2	1.0	$0.876	21/23	21.6s
एकूण चाचण्या 23 चुकीच्या चाचण्या 2 एकूण खर्च $0.876 प्रतिसाद वेळ (सरासरी) 21.6s
#61	Muse Spark 1.2 medium	Meta	3	0.9	$1.590	15/23	21.3s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $1.590 प्रतिसाद वेळ (सरासरी) 21.3s
#244	KAT-Coder-Pro V2.5 high	Kwaipilot	10	0.6	$0.506	11/23	21.2s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.506 प्रतिसाद वेळ (सरासरी) 21.2s
#185	Step 3.7 Flash low	Stepfun	9	0.7	$0.449	11/23	20.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 12 एकूण खर्च $0.449 प्रतिसाद वेळ (सरासरी) 20.7s
#173	Gemini 2.5 Flash medium	Google	6	0.7	$0.680	15/23	20.5s
एकूण चाचण्या 23 चुकीच्या चाचण्या 8 एकूण खर्च $0.680 प्रतिसाद वेळ (सरासरी) 20.5s
#328	GPT-6 Luna none	OpenAI	13	0.5	$0.026	7/23	20.5s
एकूण चाचण्या 23 चुकीच्या चाचण्या 16 एकूण खर्च $0.026 प्रतिसाद वेळ (सरासरी) 20.5s

चुकीचे उत्तर अपयशे

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स