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) |
|---|---|---|---|---|---|---|---|
| #400 | Mercury 2 none | Inception | 17 | 0.4 | $0.033 | 4/23 | 1.18s |
| #425 | Grok 4.20 none | X AI | 10 | 0.3 | $0.057 | 6/18 | 1.11s |
| #444 | Drex v1.5 default | Nace AI | 8 | 0.2 | $0.002 | 4/12 | 986ms |
| #457 | Microsoft-Decision-1 default | Microsoft | 11 | 0.1 | $0.002 | 1/12 | 982ms |
| #450 | Clef Omni default | Cloudflare | 9 | 0.2 | $0.011 | 2/12 | 880ms |
| #434 | Laguna Xs.2 default | Poolside | 8 | 0.3 | $0.004 | 5/19 | 806ms |
| #455 | LFM2-24B-A2B default | Liquid | 9 | 0.2 | $0.001 | 2/16 | 782ms |
| #440 | Nemotron 3 Nano Omni 30b A3b Reasoning default | NVIDIA | 9 | 0.3 | $0.000 | 2/19 | 728ms |
| #441 | Jev 1.13 default | Typesafe | 6 | 0.3 | $0.003 | 6/12 | 698ms |
| #439 | d1-ultra default | Liquid | 7 | 0.3 | $0.003 | 4/12 | 531ms |
| #442 | Decider V1.2 default | Perplexity | 5 | 0.3 | $0.001 | 5/12 | 517ms |
| #453 | D1 default | Liquid | 10 | 0.2 | $0.003 | 2/12 | 508ms |
| #459 | Tev1 4B Experimental default | Togethercomputer | 4 | 1.0 | $0.002 | 3/7 | 498ms |
| #445 | GPT-6 Luna Decisions default | OpenAI | 8 | 0.2 | $0.005 | 3/12 | 495ms |
| #451 | Decider Flash V1.2 default | Perplexity | 9 | 0.2 | $0.001 | 3/12 | 462ms |