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) |
|---|---|---|---|---|---|---|---|
| #286 | Inkling none | Thinkingmachines | 13 | 0.6 | $0.292 | 7/23 | 5.30s |
| #406 | Mercury 2.5 none | Inception | 15 | 0.4 | $0.026 | 2/23 | 5.10s |
| #333 | Qwen3.8 27B none | Qwen | 12 | 0.5 | ~$0.010 | 9/23 | 5.05s |
| #359 | Mercury 2.5 Preview low | Inception | 13 | 0.5 | $0.015 | 6/23 | 4.92s |
| #254 | Beam 1.0 501B A23B low | Reflection | 6 | 0.6 | $0.432 | 11/23 | 4.89s |
| #263 | Gemini 3.5 Flash Lite low | 9 | 0.6 | $0.183 | 12/23 | 4.79s | |
| #228 | GPT-5.5 none | OpenAI | 11 | 0.7 | $1.212 | 12/23 | 4.75s |
| #424 | Hunter Alpha default | OpenRouter | 9 | 0.3 | $0.000 | 6/18 | 4.70s |
| #256 | Gemini 3.5 Flash minimal | 7 | 0.6 | $0.508 | 13/23 | 4.67s | |
| #225 | GPT-5.6 Sol none | OpenAI | 10 | 0.7 | $0.795 | 12/23 | 4.61s |
| #449 | Classify-1 default | Scaledown | 8 | 0.2 | $0.008 | 3/12 | 4.58s |
| #344 | Laguna XS 2.1 none | Poolside | 14 | 0.5 | $0.020 | 5/23 | 4.56s |
| #383 | GPT-5.4 Nano none | OpenAI | 16 | 0.5 | $0.068 | 4/23 | 4.42s |
| #232 | Mercury 2 medium | Inception | 9 | 0.7 | $0.121 | 10/23 | 4.40s |
| #362 | GPT-4o-mini default | OpenAI | 16 | 0.5 | $0.024 | 5/23 | 4.16s |