चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: स्कोअर ↓.
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) |
|---|---|---|---|---|---|---|---|
| #94 | Gemini 3.1 Pro Preview medium | 2 | 0.8 | $1.585 | 20/23 | 22.7s | |
| #95 | Inkling high | Thinkingmachines | 4 | 0.8 | $1.238 | 16/23 | 62.7s |
| #96 | Muse Spark 1.1 high | Meta | 3 | 0.8 | $2.570 | 13/23 | 37.4s |
| #97 | DeepSeek V4 Flash 0731 high | DeepSeek | 5 | 0.8 | $0.576 | 15/23 | 118.8s |
| #98 | GLM 5.2 high | Z.ai | 5 | 0.8 | $4.632 | 15/23 | 69.1s |
| #99 | GPT-5.6 Terra high | OpenAI | 7 | 0.8 | $0.698 | 15/23 | 13.6s |
| #100 | Claude Haiku 5.5 high | Anthropic | 4 | 0.8 | $0.088 | 15/23 | 10.4s |
| #101 | Gemini 3.5 Flash high | 2 | 0.8 | $2.737 | 19/23 | 18.6s | |
| #103 | GPT-6 Luna medium | OpenAI | 7 | 0.8 | $0.047 | 15/23 | 18.1s |
| #104 | Claude Opus 4.8 medium | Anthropic | 5 | 0.8 | $3.490 | 17/23 | 16.7s |
| #105 | Ling 3.1 Flash medium | Inclusionai | 3 | 0.8 | $0.000 | 15/23 | 88.7s |
| #106 | Qwen3.7 Plus medium | Qwen | 6 | 0.8 | $0.415 | 16/23 | 59.7s |
| #107 | Gemini 4 Argon low | 5 | 0.8 | $0.438 | 15/23 | 5.72s | |
| #108 | DeepSeek V4.1 Flash 1017 max | DeepSeek | 4 | 0.8 | $0.757 | 15/23 | 78.2s |
| #109 | Grok 4.5 high | X AI | 3 | 0.8 | $2.687 | 17/23 | 72.5s |