चुकीचे उत्तर अपयश क्रमवारी

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

दाखवलेली मॉडेल्स

एकूण अपयशे

3207

सर्वाधिक प्रभावित मॉडेल

Gemini 3.6 Flash 1

श्रेणी

453/453

क्रमांक	मॉडेल	कंपनी	चुकीचे उत्तर संख्या	स्कोअर	एकूण खर्च	बरोबर चाचण्या	प्रतिसाद वेळ (सरासरी)
#394	Mimo V2 Omni default	Xiaomi	10	0.4	$0.021	8/21	2.44s
एकूण चाचण्या 21 चुकीच्या चाचण्या 13 एकूण खर्च $0.021 प्रतिसाद वेळ (सरासरी) 2.44s
#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
#396	KAT Coder AIR V2.5 default	Kwaipilot	13	0.4	$0.070	5/23	12.0s
एकूण चाचण्या 23 चुकीच्या चाचण्या 18 एकूण खर्च $0.070 प्रतिसाद वेळ (सरासरी) 12.0s
#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
#398	Granite 4.2 8B none	IBM Granite	11	0.4	$0.037	3/23	84.7s
एकूण चाचण्या 23 चुकीच्या चाचण्या 20 एकूण खर्च $0.037 प्रतिसाद वेळ (सरासरी) 84.7s
#399	Cobuddy medium	Baidu	9	0.4	$0.000	7/22	38.0s
एकूण चाचण्या 22 चुकीच्या चाचण्या 15 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 38.0s
#400	Mercury 2 none	Inception	17	0.4	$0.033	4/23	1.18s
एकूण चाचण्या 23 चुकीच्या चाचण्या 19 एकूण खर्च $0.033 प्रतिसाद वेळ (सरासरी) 1.18s
#401	Gemini 3.1 Flash Lite Preview high	Google	2	0.4	$2.310	13/16	68.1s
एकूण चाचण्या 16 चुकीच्या चाचण्या 3 एकूण खर्च $2.310 प्रतिसाद वेळ (सरासरी) 68.1s
#402	MiniMax M2.5 medium	Minimax	7	0.4	$0.440	5/23	102.3s
एकूण चाचण्या 23 चुकीच्या चाचण्या 18 एकूण खर्च $0.440 प्रतिसाद वेळ (सरासरी) 102.3s
#403	GLM 4.7 Flash medium	Z.ai	10	0.4	$0.193	4/23	150.9s
एकूण चाचण्या 23 चुकीच्या चाचण्या 19 एकूण खर्च $0.193 प्रतिसाद वेळ (सरासरी) 150.9s
#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
#405	GLM 5 Turbo none	Z.ai	13	0.4	$0.047	6/21	2.82s
एकूण चाचण्या 21 चुकीच्या चाचण्या 15 एकूण खर्च $0.047 प्रतिसाद वेळ (सरासरी) 2.82s
#406	Mercury 2.5 none	Inception	15	0.4	$0.026	2/23	5.10s
एकूण चाचण्या 23 चुकीच्या चाचण्या 21 एकूण खर्च $0.026 प्रतिसाद वेळ (सरासरी) 5.10s
#407	Qwen3.6 Plus Preview medium	Qwen	2	0.4	$0.000	9/19	15.2s
एकूण चाचण्या 19 चुकीच्या चाचण्या 10 एकूण खर्च $0.000 प्रतिसाद वेळ (सरासरी) 15.2s
#408	Qwen3.5-9B medium	Qwen	2	0.4	$0.106	3/23	110.2s
एकूण चाचण्या 23 चुकीच्या चाचण्या 20 एकूण खर्च $0.106 प्रतिसाद वेळ (सरासरी) 110.2s

चुकीचे उत्तर अपयशे

मॉडेल फिल्टर करा

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स