चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.
209/209
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) |
|---|---|---|---|---|---|---|---|
| #52 | Kimi K2.7 Code medium | Moonshot AI | 5 | 7.5 | $0.751 | 12/22 | 84.2s |
| #204 | Qwen3.5-9B medium | Qwen | 2 | 3.8 | $0.036 | 3/22 | 82.2s |
| #46 | DeepSeek V4 Pro high | DeepSeek | 6 | 7.7 | $0.200 | 10/22 | 79.1s |
| #12 | Grok 4.5 high | X AI | 2 | 8.9 | $1.707 | 17/22 | 76.5s |
| #110 | Gemma 4 31B medium | 2 | 6.3 | $0.163 | 14/22 | 75.4s | |
| #47 | MiniMax M3 medium | Minimax | 3 | 7.6 | $0.286 | 12/22 | 75.0s |
| #108 | Ring-2.6-1T medium | Inclusionai | 6 | 6.3 | $0.103 | 11/22 | 68.7s |
| #76 | DeepSeek V3.2 medium | DeepSeek | 5 | 7.0 | $0.078 | 11/22 | 68.6s |
| #190 | MiniMax M2.5 medium | Minimax | 7 | 4.6 | $0.340 | 5/22 | 68.3s |
| #163 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | $2.310 | 13/16 | 68.1s | |
| #19 | Qwen3.6 Max Preview medium | Qwen | 5 | 8.4 | $1.143 | 16/22 | 67.5s |
| #86 | Step 3.7 Flash high | Stepfun | 6 | 6.9 | $1.207 | 11/22 | 64.7s |
| #72 | Qwen3.5-122B-A10B medium | Qwen | 5 | 7.1 | $1.046 | 14/22 | 64.2s |
| #28 | Inkling high | Thinkingmachines | 4 | 8.0 | $1.006 | 15/22 | 64.2s |
| #31 | GLM 5.2 high | Z.ai | 3 | 8.0 | $0.970 | 14/22 | 62.7s |