चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: बरोबर चाचण्या ↓.
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) |
|---|---|---|---|---|---|---|---|
| #279 | DeepSeek V4 Flash 0731 none | DeepSeek | 13 | 0.6 | $0.053 | 5/23 | 27.4s |
| #326 | Ling 3.1 Flash none | Inclusionai | 9 | 0.5 | $0.000 | 5/23 | 15.7s |
| #342 | Kimi K2.5 none | Moonshot AI | 17 | 0.5 | $0.262 | 5/23 | 35.9s |
| #344 | Laguna XS 2.1 none | Poolside | 14 | 0.5 | $0.020 | 5/23 | 4.56s |
| #348 | Nemotron 3.5 Lightning high | NVIDIA | 11 | 0.5 | $0.168 | 5/23 | 77.1s |
| #352 | Mistral Small 4 medium | Mistral | 14 | 0.5 | $0.126 | 5/23 | 12.7s |
| #353 | Mistral Small 4 none | Mistral | 17 | 0.5 | $0.047 | 5/23 | 3.12s |
| #356 | MiMo-V2.5-Pro none | Xiaomi | 12 | 0.5 | $0.135 | 5/23 | 6.21s |
| #360 | MiniMax M2.7 medium | Minimax | 6 | 0.5 | $0.326 | 5/23 | 50.3s |
| #362 | GPT-4o-mini default | OpenAI | 16 | 0.5 | $0.024 | 5/23 | 4.16s |
| #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 |
| #370 | MiMo-V2.5 none | Xiaomi | 14 | 0.5 | $0.049 | 5/23 | 9.88s |
| #375 | GLM 4.7 Flash none | Z.ai | 15 | 0.5 | $0.027 | 5/23 | 13.0s |
| #377 | Nemotron 3.5 Lightning medium | NVIDIA | 13 | 0.5 | $0.195 | 5/23 | 81.9s |