चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: स्कोअर ↓.
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) |
|---|---|---|---|---|---|---|---|
| #289 | Granite 4.2 8B medium | IBM Granite | 9 | 0.6 | $0.029 | 8/23 | 50.5s |
| #290 | KAT-Coder-Pro V2.5 default | Kwaipilot | 10 | 0.6 | $0.742 | 11/23 | 25.0s |
| #291 | Apodex 1.1 Mini medium | Apodex | 9 | 0.6 | $0.000 | 11/23 | 32.7s |
| #292 | Claude Sonnet 4.6 none | Anthropic | 5 | 0.6 | $0.661 | 12/22 | 7.67s |
| #293 | GLM 5.3 FlashX low | Z.ai | 10 | 0.6 | $0.157 | 11/23 | 9.69s |
| #294 | MiMo-V2.6-Pro none | Xiaomi | 10 | 0.6 | $0.193 | 9/23 | 9.66s |
| #295 | Inkling Small medium | Thinkingmachines | 6 | 0.6 | $0.113 | 10/23 | 6.03s |
| #296 | Seed-2.0-Lite none | Bytedance Seed | 14 | 0.6 | $0.114 | 8/23 | 7.49s |
| #297 | Gemini 3.1 Flash Lite minimal | 9 | 0.6 | $0.080 | 10/23 | 3.95s | |
| #298 | gpt-oss-120b medium | OpenAI | 10 | 0.6 | $0.030 | 9/23 | 31.6s |
| #299 | Gemini 3.1 Flash Lite none | 12 | 0.6 | $0.069 | 9/23 | 3.58s | |
| #300 | Qwen3.6 Flash none | Qwen | 13 | 0.6 | $0.139 | 7/23 | 7.63s |
| #301 | Claude Sonnet 5 none | Anthropic | 9 | 0.6 | $1.095 | 7/23 | 8.60s |
| #302 | Nemotron 3 Ultra none | NVIDIA | 12 | 0.6 | $0.164 | 8/23 | 6.76s |
| #303 | Qwen3.7 Flash none | Qwen | 14 | 0.6 | $0.028 | 7/23 | 14.7s |