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) |
|---|---|---|---|---|---|---|---|
| #364 | Grok 4.20 Beta medium | X AI | 3 | 0.5 | $0.750 | 14/18 | 9.75s |
| #365 | Inkling Small none | Thinkingmachines | 15 | 0.5 | $0.054 | 5/23 | 1.45s |
| #366 | Qwen3 Coder Next default | Qwen | 15 | 0.5 | $0.067 | 5/23 | 19.7s |
| #367 | Laguna S 2.1 high | Poolside | 12 | 0.5 | $0.145 | 4/23 | 113.6s |
| #368 | Gemini 3 PRO Preview medium | 3 | 0.5 | $0.385 | 14/21 | 9.05s | |
| #369 | Ling 2.6 1t default | Inclusionai | 12 | 0.5 | $0.016 | 4/23 | 8.16s |
| #370 | MiMo-V2.5 none | Xiaomi | 14 | 0.5 | $0.049 | 5/23 | 9.88s |
| #371 | Qwen3.5-9B none | Qwen | 15 | 0.5 | $0.041 | 4/23 | 37.2s |
| #372 | Hy4 preview none | Tencent | 14 | 0.5 | $0.165 | 3/23 | 40.4s |
| #373 | Mimo V2 Omni medium | Xiaomi | 5 | 0.5 | $0.683 | 10/21 | 41.2s |
| #374 | Hy3 preview high | Tencent | 3 | 0.5 | $0.135 | 11/21 | 56.6s |
| #375 | GLM 4.7 Flash none | Z.ai | 15 | 0.5 | $0.027 | 5/23 | 13.0s |
| #376 | Mercury 2.5 Preview default | Inception | 16 | 0.5 | $0.023 | 4/23 | 7.05s |
| #377 | Nemotron 3.5 Lightning medium | NVIDIA | 13 | 0.5 | $0.195 | 5/23 | 81.9s |
| #378 | North Mini Code default | Cohere | 13 | 0.5 | $0.000 | 4/23 | 29.5s |