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) |
|---|---|---|---|---|---|---|---|
| #393 | Ring 2.6 1t default | Inclusionai | 5 | 0.4 | $0.026 | 9/23 | 48.9s |
| #385 | GLM 5V Turbo none | Z.ai | 11 | 0.5 | $0.052 | 8/21 | 2.99s |
| #388 | Owl Alpha medium | Openrouter | 10 | 0.5 | $0.000 | 8/21 | 11.9s |
| #394 | Mimo V2 Omni default | Xiaomi | 10 | 0.4 | $0.021 | 8/21 | 2.44s |
| #431 | Grok Build 0.1 none | X AI | 7 | 0.3 | $0.547 | 7/19 | 28.7s |
| #219 | Qwen3.5-Flash none | Qwen | 14 | 0.7 | $0.089 | 8/23 | 26.5s |
| #260 | LongCat 2.0 none | Meituan | 13 | 0.6 | $0.104 | 8/23 | 8.50s |
| #262 | Qwen3.6 27B none | Qwen | 11 | 0.6 | $0.148 | 8/23 | 12.7s |
| #265 | Minimax M3.1 Flash medium | Minimax | 9 | 0.6 | $0.000 | 8/23 | 19.5s |
| #273 | Trinity Large Thinking low | Arcee AI | 7 | 0.6 | $0.918 | 8/23 | 95.2s |
| #284 | Trinity Large Thinking medium | Arcee AI | 9 | 0.6 | $0.862 | 8/23 | 84.0s |
| #287 | Qwen3.5 Plus 2026-04-20 none | Qwen | 12 | 0.6 | $0.216 | 8/23 | 18.5s |
| #289 | Granite 4.2 8B medium | IBM Granite | 9 | 0.6 | $0.029 | 8/23 | 50.5s |
| #296 | Seed-2.0-Lite none | Bytedance Seed | 14 | 0.6 | $0.114 | 8/23 | 7.49s |
| #302 | Nemotron 3 Ultra none | NVIDIA | 12 | 0.6 | $0.164 | 8/23 | 6.76s |