चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.
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) |
|---|---|---|---|---|---|---|---|
| #193 | GPT-5.2 Chat default | OpenAI | 6 | 0.7 | $0.594 | 13/23 | 7.43s |
| #189 | GLM 5.3 FlashX medium | Z.ai | 8 | 0.7 | $0.114 | 12/23 | 7.37s |
| #316 | Gemma 4 31B none | 11 | 0.6 | $0.031 | 9/23 | 7.28s | |
| #16 | GPT-6.1 Sol low | OpenAI | 2 | 1.0 | $0.460 | 21/23 | 7.15s |
| #395 | Nemotron 3 Super none | NVIDIA | 16 | 0.4 | $0.016 | 5/23 | 7.11s |
| #376 | Mercury 2.5 Preview default | Inception | 16 | 0.5 | $0.023 | 4/23 | 7.05s |
| #14 | GPT-6 Astra low | OpenAI | 2 | 1.0 | $2.160 | 21/23 | 7.01s |
| #207 | GPT-5.6 Luna low | OpenAI | 10 | 0.7 | $0.049 | 11/23 | 6.96s |
| #57 | Gemini 3.6 Flash low | 4 | 0.9 | $0.363 | 19/23 | 6.82s | |
| #212 | Inkling low | Thinkingmachines | 8 | 0.7 | $0.293 | 11/23 | 6.81s |
| #195 | Gemini 3.1 Flash Lite Preview medium | 7 | 0.7 | $0.158 | 14/23 | 6.78s | |
| #302 | Nemotron 3 Ultra none | NVIDIA | 12 | 0.6 | $0.164 | 8/23 | 6.76s |
| #427 | Laguna Xs.2 medium | Poolside | 6 | 0.3 | $0.015 | 6/19 | 6.73s |
| #213 | Mercury 2.5 Preview medium | Inception | 4 | 0.7 | $0.039 | 15/23 | 6.66s |
| #55 | Gemini 4 Argon medium | 4 | 0.9 | $0.674 | 19/23 | 6.63s |