चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↓.
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) |
|---|---|---|---|---|---|---|---|
| #299 | Laguna Xs.2 medium | Poolside | 6 | 4.1 | $0.015 | 6/19 | 6.73s |
| #211 | GLM 5.3 Flash low | Z.ai | 8 | 5.9 | $0.015 | 10/22 | 9.65s |
| #228 | Gemma 4 26B A4B none | 9 | 5.6 | $0.015 | 9/22 | 7.58s | |
| #258 | Granite 4.2 8B low | IBM Granite | 10 | 5.1 | $0.012 | 7/22 | 54.4s |
| #244 | DeepSeek V4 Flash 0731 none | DeepSeek | 13 | 5.4 | $0.011 | 4/22 | 20.7s |
| #265 | Mercury 2.5 Preview low | Inception | 12 | 5.0 | $0.011 | 6/22 | 1.31s |
| #268 | GPT-4o-mini none | OpenAI | 15 | 5.0 | $0.010 | 5/22 | 1.92s |
| #312 | gpt-oss-120b none | OpenAI | 8 | 3.7 | $0.010 | 6/19 | 21.6s |
| #292 | Laguna M.1 none | Poolside | 10 | 4.4 | $0.009 | 4/19 | 2.89s |
| #254 | Granite 4.2 8B medium | IBM Granite | 9 | 5.2 | $0.009 | 7/22 | 46.0s |
| #272 | Nemotron 3 Super none | NVIDIA | 15 | 4.8 | $0.008 | 5/22 | 6.04s |
| #281 | Trinity Large Preview none | Arcee AI | 12 | 4.8 | $0.008 | 4/21 | 2.98s |
| #308 | Grok 4.1 Fast none | X AI | 13 | 3.8 | $0.008 | 3/19 | 1.62s |
| #247 | Laguna XS 2.1 none | Poolside | 14 | 5.3 | $0.008 | 5/22 | 1.55s |
| #300 | Hy3 preview none | Tencent | 8 | 4.0 | $0.007 | 4/21 | 12.9s |