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) |
|---|---|---|---|---|---|---|---|
| #372 | Hy4 preview none | Tencent | 14 | 0.5 | $0.165 | 3/23 | 40.4s |
| #381 | Qwen3 Coder Next medium | Qwen | 15 | 0.5 | $0.071 | 3/23 | 17.0s |
| #386 | Laguna S 2.1 low | Poolside | 16 | 0.5 | $0.108 | 3/23 | 88.2s |
| #398 | Granite 4.2 8B none | IBM Granite | 11 | 0.4 | $0.037 | 3/23 | 84.7s |
| #408 | Qwen3.5-9B medium | Qwen | 2 | 0.4 | $0.106 | 3/23 | 110.2s |
| #415 | Nemotron 3.5 Lightning none | NVIDIA | 16 | 0.4 | $0.009 | 3/23 | 15.9s |
| #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 |
| #379 | Laguna S 2.1 none | Poolside | 18 | 0.5 | $0.044 | 2/23 | 17.7s |
| #406 | Mercury 2.5 none | Inception | 15 | 0.4 | $0.026 | 2/23 | 5.10s |
| #413 | Ling 3.0 Tiny default | Inclusionai | 13 | 0.4 | $0.000 | 2/23 | 13.4s |
| #414 | Granite 4.1 8b default | IBM Granite | 13 | 0.4 | $0.007 | 2/23 | 1.38s |
| #457 | Microsoft-Decision-1 default | Microsoft | 11 | 0.1 | $0.002 | 1/12 | 982ms |
| #416 | Xing4.0 29b A4b medium | Xingchen AGI | 9 | 0.4 | $0.000 | 1/23 | 371.7s |
| #426 | Command A+ medium | Cohere | 1 | 0.3 | $0.064 | 0/23 | 91.7s |