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) |
|---|---|---|---|---|---|---|---|
| #29 | Gemini 3.7 Flash low | 2 | 0.9 | $0.183 | 21/23 | 6.24s | |
| #17 | GPT-6.1 Terra medium | OpenAI | 2 | 1.0 | $0.291 | 20/23 | 7.99s |
| #22 | GPT-6.1 Terra high | OpenAI | 2 | 0.9 | $0.396 | 20/23 | 11.2s |
| #23 | GPT-6 Astra medium | OpenAI | 3 | 0.9 | $2.707 | 20/23 | 9.90s |
| #25 | GPT-5.5 low | OpenAI | 3 | 0.9 | $1.822 | 20/23 | 11.9s |
| #36 | Claude Opus 5.5 medium | Anthropic | 2 | 0.9 | $1.804 | 20/23 | 25.9s |
| #94 | Gemini 3.1 Pro Preview medium | 2 | 0.8 | $1.585 | 20/23 | 22.7s | |
| #332 | Claude Opus 4.7 none | Anthropic | 3 | 0.5 | $0.505 | 16/19 | 3.02s |
| #13 | GPT-5.6 Sol low | OpenAI | 4 | 1.0 | $1.244 | 19/23 | 11.1s |
| #21 | GPT-5.6 Sol medium | OpenAI | 4 | 0.9 | $1.700 | 19/23 | 14.6s |
| #24 | GPT-5.6 Sol high | OpenAI | 4 | 0.9 | $1.595 | 19/23 | 13.6s |
| #26 | Claude Opus 5.5 low | Anthropic | 2 | 0.9 | $1.733 | 19/23 | 25.7s |
| #27 | GPT-6.1 Terra max | OpenAI | 2 | 0.9 | $2.209 | 19/23 | 66.4s |
| #28 | Claude Opus 5.5 high | Anthropic | 2 | 0.9 | $2.133 | 19/23 | 27.6s |
| #30 | Claude Opus 5 high | Anthropic | 2 | 0.9 | $4.524 | 19/23 | 25.3s |