चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↓.
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) |
|---|---|---|---|---|---|---|---|
| #342 | Kimi K2.5 none | Moonshot AI | 17 | 0.5 | $0.262 | 5/23 | 35.9s |
| #117 | DeepSeek V4 Flash 0423 high | DeepSeek | 6 | 0.8 | $0.261 | 14/23 | 56.0s |
| #331 | Seed-2.0-Code none | Bytedance Seed | 12 | 0.5 | $0.257 | 6/23 | 17.5s |
| #201 | Gemini 3 Flash Preview low | 7 | 0.7 | $0.254 | 16/23 | 8.51s | |
| #229 | GLM 5.2 none | Z.ai | 8 | 0.7 | $0.250 | 13/23 | 11.3s |
| #121 | GPT-5.4 Nano medium | OpenAI | 8 | 0.8 | $0.235 | 13/23 | 16.0s |
| #343 | Qwen3.6 Max Preview none | Qwen | 11 | 0.5 | $0.228 | 11/22 | 7.82s |
| #33 | GPT-6.1 Terra low | OpenAI | 2 | 0.9 | $0.221 | 19/23 | 6.05s |
| #202 | Muse Glimmer 30B low | Meta | 6 | 0.7 | $0.219 | 11/23 | 22.4s |
| #132 | MiMo-V2.6-Flash medium | Xiaomi | 6 | 0.8 | $0.218 | 12/23 | 61.9s |
| #287 | Qwen3.5 Plus 2026-04-20 none | Qwen | 12 | 0.6 | $0.216 | 8/23 | 18.5s |
| #242 | GLM 5.3 low | Z.ai | 8 | 0.6 | $0.215 | 12/23 | 15.2s |
| #164 | GLM 5.3 FlashX high | Z.ai | 8 | 0.7 | $0.210 | 13/23 | 14.9s |
| #191 | MiMo-V2.6-Flash low | Xiaomi | 5 | 0.7 | $0.200 | 12/23 | 54.6s |
| #188 | Qwen3.8 Flash Next xhigh | Qwen | 6 | 0.7 | ~$0.195 | 14/23 | 102.7s |