चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.
215/215
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) |
|---|---|---|---|---|---|---|---|
| #149 | Gemini 3.1 Flash Lite high | 4 | 5.6 | $2.044 | 10/18 | 62.0s | |
| #25 | Grok 4.5 medium | X AI | 6 | 8.3 | $1.928 | 16/22 | 61.7s |
| #94 | Qwen3.6 35B A3B medium | Qwen | 4 | 6.7 | $0.746 | 13/22 | 58.1s |
| #141 | Hy3 preview high | Tencent | 3 | 5.9 | $0.048 | 11/21 | 56.6s |
| #185 | Ring-2.6-1T none | Inclusionai | 5 | 4.8 | $0.026 | 9/22 | 55.1s |
| #134 | GPT-5 Nano medium | OpenAI | 9 | 6.1 | $0.114 | 9/22 | 54.9s |
| #52 | Grok Build 0.1 medium | X AI | 5 | 7.6 | $1.097 | 14/22 | 52.1s |
| #146 | Nemotron 3 Super medium | NVIDIA | 5 | 5.7 | $0.055 | 8/22 | 52.0s |
| #40 | Qwen3.7 Plus medium | Qwen | 5 | 7.9 | $0.267 | 15/22 | 51.5s |
| #49 | DeepSeek V4 Flash high | DeepSeek | 6 | 7.7 | $0.041 | 13/22 | 49.7s |
| #39 | Seed-2.0-Lite medium | Bytedance Seed | 5 | 7.9 | $0.234 | 14/22 | 48.5s |
| #108 | Laguna XS 2.1 medium | Poolside | 11 | 6.5 | $0.068 | 9/22 | 47.9s |
| #77 | Grok 4.3 medium | X AI | 5 | 7.1 | $0.779 | 13/22 | 47.4s |
| #78 | GLM 5.1 medium | Z.ai | 4 | 7.1 | $0.535 | 13/22 | 46.8s |
| #74 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 8 | 7.2 | $0.317 | 13/22 | 46.4s |