चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील. क्रम लावा: एकूण खर्च ↓.
209/209
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) |
|---|---|---|---|---|---|---|---|
| #181 | Grok 4.20 Multi Agent Beta medium | X AI | 4 | 4.8 | $5.599 | 8/18 | 9.69s |
| #10 | GPT-5.5 medium | OpenAI | 4 | 9.0 | $4.137 | 18/22 | 38.4s |
| #17 | Claude Fable 5 medium | Anthropic | 2 | 8.6 | $3.478 | 17/22 | 17.2s |
| #43 | Claude Opus 4.6 medium | Anthropic | 3 | 7.7 | $3.059 | 13/22 | 34.3s |
| #163 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | $2.310 | 13/16 | 68.1s | |
| #41 | Claude Opus 4.8 low | Anthropic | 4 | 7.8 | $2.077 | 16/22 | 12.7s |
| #40 | Claude Sonnet 4.6 medium | Anthropic | 4 | 7.8 | $2.057 | 14/22 | 25.9s |
| #143 | Gemini 3.1 Flash Lite high | 4 | 5.6 | $2.044 | 10/18 | 62.0s | |
| #2 | Gemini 3.5 Flash high | 1 | 9.5 | $1.976 | 20/22 | 15.1s | |
| #14 | Claude Opus 4.8 medium | Anthropic | 3 | 8.8 | $1.931 | 18/22 | 12.5s |
| #22 | Grok 4.5 medium | X AI | 6 | 8.3 | $1.928 | 16/22 | 61.7s |
| #12 | Grok 4.5 high | X AI | 2 | 8.9 | $1.707 | 17/22 | 76.5s |
| #27 | Muse Spark 1.1 high | Meta | 4 | 8.1 | $1.694 | 12/22 | 31.5s |
| #58 | Qwen3.5-27B medium | Qwen | 4 | 7.4 | $1.627 | 13/22 | 111.9s |
| #18 | GPT-5.4 medium | OpenAI | 5 | 8.5 | $1.533 | 15/22 | 23.1s |