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) |
|---|---|---|---|---|---|---|---|
| #311 | GPT-5 Nano medium | OpenAI | 11 | 0.6 | $0.159 | 8/23 | 56.5s |
| #195 | Gemini 3.1 Flash Lite Preview medium | 7 | 0.7 | $0.158 | 14/23 | 6.78s | |
| #293 | GLM 5.3 FlashX low | Z.ai | 10 | 0.6 | $0.157 | 11/23 | 9.69s |
| #248 | Gemini 3 Flash Preview none | 9 | 0.6 | $0.155 | 13/23 | 6.05s | |
| #204 | Gemini 3.1 Flash Lite medium | 8 | 0.7 | $0.153 | 13/23 | 6.27s | |
| #272 | DeepSeek V3.2 medium | DeepSeek | 6 | 0.6 | $0.152 | 11/23 | 70.1s |
| #274 | DeepSeek V4 Flash 0423 none | DeepSeek | 13 | 0.6 | $0.149 | 5/23 | 38.6s |
| #115 | DeepSeek V4 Pro 0423 high | DeepSeek | 9 | 0.8 | $0.149 | 11/23 | 91.3s |
| #262 | Qwen3.6 27B none | Qwen | 11 | 0.6 | $0.148 | 8/23 | 12.7s |
| #367 | Laguna S 2.1 high | Poolside | 12 | 0.5 | $0.145 | 4/23 | 113.6s |
| #206 | Gemma 4 31B medium | 4 | 0.7 | $0.144 | 14/23 | 78.8s | |
| #157 | Seed-2.0-Mini medium | Bytedance Seed | 5 | 0.8 | $0.140 | 12/23 | 91.7s |
| #321 | GLM 5 none | Z.ai | 13 | 0.6 | $0.140 | 9/22 | 8.74s |
| #44 | Claude Haiku 5.5 xhigh | Anthropic | 2 | 0.9 | $0.140 | 18/23 | 16.6s |
| #300 | Qwen3.6 Flash none | Qwen | 13 | 0.6 | $0.139 | 7/23 | 7.63s |