चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↓.
313/313
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) |
|---|---|---|---|---|---|---|---|
| #214 | GPT-5.4 none | OpenAI | 14 | 5.8 | $0.397 | 7/22 | 2.08s |
| #129 | Step 3.7 Flash low | Stepfun | 9 | 7.1 | $0.390 | 11/22 | 17.9s |
| #203 | Gemini 3 PRO Preview medium | 3 | 6.0 | $0.385 | 14/21 | 9.05s | |
| #69 | Inkling medium | Thinkingmachines | 4 | 8.0 | $0.383 | 15/22 | 15.7s |
| #8 | GPT-5.6 Sol low | OpenAI | 4 | 9.5 | $0.357 | 18/22 | 9.04s |
| #181 | Mimo V2 PRO medium | Xiaomi | 5 | 6.3 | $0.333 | 12/21 | 22.2s |
| #289 | MiniMax M2.5 medium | Minimax | 7 | 4.6 | $0.327 | 5/22 | 69.1s |
| #90 | GLM 5 Turbo medium | Z.ai | 4 | 7.6 | $0.323 | 14/21 | 23.0s |
| #124 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 8 | 7.2 | $0.323 | 13/22 | 47.0s |
| #12 | Gemini 3.7 Flash medium | 2 | 9.4 | $0.309 | 20/22 | 5.87s | |
| #97 | MiniMax M3 medium | Minimax | 4 | 7.5 | $0.300 | 11/22 | 75.2s |
| #158 | Gemini 3.5 Flash minimal | 6 | 6.7 | $0.300 | 13/22 | 2.65s | |
| #53 | Qwen3.8 27B high | Qwen | 2 | 8.4 | ~$0.287 | 16/22 | 167.9s |
| #223 | Qwen3.5-122B-A10B none | Qwen | 13 | 5.7 | $0.283 | 6/22 | 12.9s |
| #202 | GPT-5.6 Terra none | OpenAI | 11 | 6.0 | $0.280 | 8/22 | 1.66s |