चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: बरोबर चाचण्या ↓.
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) |
|---|---|---|---|---|---|---|---|
| #291 | Apodex 1.1 Mini medium | Apodex | 9 | 0.6 | $0.000 | 11/23 | 32.7s |
| #293 | GLM 5.3 FlashX low | Z.ai | 10 | 0.6 | $0.157 | 11/23 | 9.69s |
| #309 | Ring 2.6 1t medium | Inclusionai | 6 | 0.6 | $0.102 | 11/23 | 65.5s |
| #373 | Mimo V2 Omni medium | Xiaomi | 5 | 0.5 | $0.683 | 10/21 | 41.2s |
| #392 | Hy3 preview low | Tencent | 4 | 0.5 | $0.042 | 10/21 | 24.6s |
| #407 | Qwen3.6 Plus Preview medium | Qwen | 2 | 0.4 | $0.000 | 9/19 | 15.2s |
| #411 | Grok 4.1 Fast medium | X AI | 4 | 0.4 | $0.069 | 9/19 | 23.8s |
| #412 | Laguna M.1 medium | Poolside | 4 | 0.4 | $0.033 | 9/19 | 14.7s |
| #337 | Step 3.5 Flash medium | Stepfun | 6 | 0.5 | $0.105 | 10/22 | 190.5s |
| #409 | Grok 4.20 Multi Agent Beta medium | X AI | 4 | 0.4 | $5.599 | 8/18 | 9.69s |
| #410 | Hunter Alpha medium | OpenRouter | 4 | 0.4 | $0.000 | 8/18 | 10.3s |
| #167 | DeepSeek V4 Pro 0423 none | DeepSeek | 9 | 0.7 | $0.083 | 10/23 | 14.1s |
| #174 | LongCat 2.0 high | Meituan | 7 | 0.7 | $0.778 | 10/23 | 151.7s |
| #177 | Qwen3.5-27B none | Qwen | 11 | 0.7 | $0.116 | 10/23 | 9.98s |
| #198 | Step 5 Preview high | Stepfun | 3 | 0.7 | $4.513 | 10/23 | 154.4s |