चुकीचे उत्तर अपयश क्रमवारी

कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↓.

दाखवलेली मॉडेल्स

एकूण अपयशे

3207

सर्वाधिक प्रभावित मॉडेल

GPT-6 Astra 1

श्रेणी

453/453

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#344	Laguna XS 2.1 none	Poolside	14	0.5	$0.020	5/23	4.56s
एकूण चाचण्या 23 चुकीच्या चाचण्या 18 एकूण खर्च $0.020 प्रतिसाद वेळ (सरासरी) 4.56s
#327	Gemini 2.5 Flash none	Google	13	0.5	$0.017	8/23	6.00s
एकूण चाचण्या 23 चुकीच्या चाचण्या 15 एकूण खर्च $0.017 प्रतिसाद वेळ (सरासरी) 6.00s
#395	Nemotron 3 Super none	NVIDIA	16	0.4	$0.016	5/23	7.11s
एकूण चाचण्या 23 चुकीच्या चाचण्या 18 एकूण खर्च $0.016 प्रतिसाद वेळ (सरासरी) 7.11s
#404	gpt-oss-120b none	OpenAI	9	0.4	$0.016	6/20	28.6s
एकूण चाचण्या 20 चुकीच्या चाचण्या 14 एकूण खर्च $0.016 प्रतिसाद वेळ (सरासरी) 28.6s
#369	Ling 2.6 1t default	Inclusionai	12	0.5	$0.016	4/23	8.16s
एकूण चाचण्या 23 चुकीच्या चाचण्या 19 एकूण खर्च $0.016 प्रतिसाद वेळ (सरासरी) 8.16s
#359	Mercury 2.5 Preview low	Inception	13	0.5	$0.015	6/23	4.92s
एकूण चाचण्या 23 चुकीच्या चाचण्या 17 एकूण खर्च $0.015 प्रतिसाद वेळ (सरासरी) 4.92s
#427	Laguna Xs.2 medium	Poolside	6	0.3	$0.015	6/19	6.73s
एकूण चाचण्या 19 चुकीच्या चाचण्या 13 एकूण खर्च $0.015 प्रतिसाद वेळ (सरासरी) 6.73s
#304	Qwen3.8 Flash Next none	Qwen	14	0.6	~$0.011	8/23	5.71s
एकूण चाचण्या 23 चुकीच्या चाचण्या 15 एकूण खर्च ~$0.011 प्रतिसाद वेळ (सरासरी) 5.71s
#450	Clef Omni default	Cloudflare	9	0.2	$0.011	2/12	880ms
एकूण चाचण्या 12 चुकीच्या चाचण्या 10 एकूण खर्च $0.011 प्रतिसाद वेळ (सरासरी) 880ms
#333	Qwen3.8 27B none	Qwen	12	0.5	~$0.010	9/23	5.05s
एकूण चाचण्या 23 चुकीच्या चाचण्या 14 एकूण खर्च ~$0.010 प्रतिसाद वेळ (सरासरी) 5.05s
#458	Solar Decide default	Upstage	5	0.1	$0.009	2/7	6.01s
एकूण चाचण्या 7 चुकीच्या चाचण्या 5 एकूण खर्च $0.009 प्रतिसाद वेळ (सरासरी) 6.01s
#421	Laguna M.1 default	Poolside	10	0.4	$0.009	4/19	2.89s
एकूण चाचण्या 19 चुकीच्या चाचण्या 15 एकूण खर्च $0.009 प्रतिसाद वेळ (सरासरी) 2.89s
#415	Nemotron 3.5 Lightning none	NVIDIA	16	0.4	$0.009	3/23	15.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 20 एकूण खर्च $0.009 प्रतिसाद वेळ (सरासरी) 15.9s
#449	Classify-1 default	Scaledown	8	0.2	$0.008	3/12	4.58s
एकूण चाचण्या 12 चुकीच्या चाचण्या 9 एकूण खर्च $0.008 प्रतिसाद वेळ (सरासरी) 4.58s
#397	Trinity Large Preview default	Arcee AI	12	0.4	$0.008	4/22	2.83s
एकूण चाचण्या 22 चुकीच्या चाचण्या 18 एकूण खर्च $0.008 प्रतिसाद वेळ (सरासरी) 2.83s

चुकीचे उत्तर अपयशे

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स