चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: स्कोअर ↓.
219/219
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) |
|---|---|---|---|---|---|---|---|
| #47 | Claude Opus 4.6 medium | Anthropic | 3 | 7.7 | $3.059 | 13/22 | 34.3s |
| #48 | GPT-5.6 Luna high | OpenAI | 7 | 7.7 | $1.017 | 15/22 | 18.7s |
| #49 | DeepSeek V4 Flash high | DeepSeek | 6 | 7.7 | $0.042 | 13/22 | 49.7s |
| #50 | DeepSeek V4 Pro high | DeepSeek | 6 | 7.7 | $0.200 | 10/22 | 79.1s |
| #51 | MiniMax M3 medium | Minimax | 3 | 7.6 | $0.286 | 12/22 | 75.0s |
| #52 | Grok Build 0.1 medium | X AI | 5 | 7.6 | $1.097 | 14/22 | 52.1s |
| #53 | GLM 5 Turbo medium | Z.ai | 4 | 7.6 | $0.323 | 14/21 | 23.0s |
| #54 | GPT-5.6 Luna medium | OpenAI | 8 | 7.6 | $0.352 | 14/22 | 7.28s |
| #55 | Nemotron 3 Ultra medium | NVIDIA | 7 | 7.5 | $0.774 | 13/22 | 32.2s |
| #56 | Kimi K2.7 Code medium | Moonshot AI | 5 | 7.5 | $0.740 | 12/22 | 84.2s |
| #57 | GPT-5.4 Nano medium | OpenAI | 8 | 7.5 | $0.138 | 12/22 | 13.2s |
| #58 | GPT-5.3 Chat none | OpenAI | 7 | 7.5 | $0.571 | 13/22 | 6.88s |
| #59 | GPT-5.6 Terra low | OpenAI | 8 | 7.5 | $0.519 | 13/22 | 5.31s |
| #60 | GPT-5.4 Mini medium | OpenAI | 6 | 7.5 | $0.756 | 12/22 | 25.9s |
| #61 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 4 | 7.5 | $0.437 | 14/22 | 89.2s |