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) |
|---|---|---|---|---|---|---|---|
| #91 | Qwen3.8 2.4T A95B low | Qwen | 5 | 0.8 | $4.016 | 16/23 | 120.4s |
| #97 | DeepSeek V4 Flash 0731 high | DeepSeek | 5 | 0.8 | $0.576 | 15/23 | 118.8s |
| #172 | Grok 4.7 medium | X AI | 5 | 0.7 | $2.938 | 15/23 | 117.7s |
| #231 | LongCat 2.0 low | Meituan | 8 | 0.7 | $0.630 | 10/23 | 115.0s |
| #125 | Qwen3.5-27B medium | Qwen | 4 | 0.8 | $1.135 | 14/23 | 114.7s |
| #367 | Laguna S 2.1 high | Poolside | 12 | 0.5 | $0.145 | 4/23 | 113.6s |
| #261 | Qwen3.5-35B-A3B medium | Qwen | 3 | 0.6 | $0.716 | 11/23 | 111.5s |
| #408 | Qwen3.5-9B medium | Qwen | 2 | 0.4 | $0.106 | 3/23 | 110.2s |
| #186 | Qwen3.6 27B medium | Qwen | 5 | 0.7 | $1.021 | 11/23 | 107.8s |
| #169 | Gemma 4 26B A4B medium | 2 | 0.7 | $0.101 | 16/23 | 105.0s | |
| #188 | Qwen3.8 Flash Next xhigh | Qwen | 6 | 0.7 | ~$0.195 | 14/23 | 102.7s |
| #402 | MiniMax M2.5 medium | Minimax | 7 | 0.4 | $0.440 | 5/23 | 102.3s |
| #163 | Seed-2.0-Code medium | Bytedance Seed | 6 | 0.7 | $1.275 | 11/23 | 100.6s |
| #93 | Muse Glimmer 30B xhigh | Meta | 4 | 0.8 | $0.585 | 14/23 | 97.7s |
| #178 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 6 | 0.7 | $0.567 | 14/23 | 97.7s |