चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↓.
215/215
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) |
|---|---|---|---|---|---|---|---|
| #132 | Qwen3.5 Plus 2026-04-20 none | Qwen | 12 | 6.1 | $0.122 | 8/22 | 13.6s |
| #69 | Gemini 3.1 Flash Lite medium | 7 | 7.3 | $0.117 | 13/22 | 4.27s | |
| #68 | Gemini 3.1 Flash Lite Preview medium | 7 | 7.3 | $0.115 | 13/22 | 4.61s | |
| #134 | GPT-5 Nano medium | OpenAI | 9 | 6.1 | $0.114 | 9/22 | 54.9s |
| #136 | Step 3.5 Flash medium | Stepfun | 4 | 6.0 | $0.108 | 11/21 | 174.2s |
| #116 | Gemma 4 31B medium | 2 | 6.3 | $0.107 | 14/22 | 75.4s | |
| #75 | Qwen3.7 Plus none | Qwen | 10 | 7.2 | $0.106 | 11/22 | 12.1s |
| #133 | Qwen3.5-35B-A3B none | Qwen | 12 | 6.1 | $0.106 | 7/22 | 12.7s |
| #114 | Ring-2.6-1T medium | Inclusionai | 6 | 6.3 | $0.103 | 11/22 | 68.7s |
| #84 | Seed-2.0-Mini medium | Bytedance Seed | 4 | 7.0 | $0.101 | 11/22 | 92.5s |
| #173 | Mistral Small 4 medium | Mistral | 12 | 5.1 | $0.096 | 5/22 | 10.8s |
| #86 | DeepSeek V4 Pro none | DeepSeek | 8 | 6.9 | $0.096 | 10/22 | 11.6s |
| #135 | Nemotron 3 Ultra none | NVIDIA | 12 | 6.1 | $0.095 | 8/22 | 3.87s |
| #142 | GPT-5.4 Mini none | OpenAI | 13 | 5.9 | $0.095 | 6/22 | 1.53s |
| #82 | Mercury 2 medium | Inception | 8 | 7.0 | $0.093 | 10/22 | 2.72s |