चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील.
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) |
|---|---|---|---|---|---|---|---|
| #140 | Mimo V2 Omni medium | Xiaomi | 5 | 5.9 | $0.683 | 10/21 | 41.2s |
| #146 | Nemotron 3 Super medium | NVIDIA | 5 | 5.7 | $0.055 | 8/22 | 52.0s |
| #185 | Ring-2.6-1T none | Inclusionai | 5 | 4.8 | $0.026 | 9/22 | 55.1s |
| #5 | GPT-5.6 Sol low | OpenAI | 4 | 9.5 | $0.971 | 18/22 | 8.79s |
| #7 | GPT-5.6 Sol medium | OpenAI | 4 | 9.4 | $1.316 | 18/22 | 11.4s |
| #8 | GPT-5.6 Sol high | OpenAI | 4 | 9.4 | $1.234 | 18/22 | 11.7s |
| #13 | GPT-5.5 medium | OpenAI | 4 | 9.0 | $4.137 | 18/22 | 38.4s |
| #16 | GPT-5.3-Codex medium | OpenAI | 4 | 8.9 | $0.920 | 16/22 | 17.0s |
| #19 | Muse Spark 1.1 medium | Meta | 4 | 8.6 | $1.357 | 15/22 | 25.0s |
| #26 | Claude Sonnet 5 medium | Anthropic | 4 | 8.3 | $0.922 | 16/22 | 12.5s |
| #30 | Muse Spark 1.1 high | Meta | 4 | 8.1 | $1.694 | 12/22 | 31.5s |
| #32 | Inkling high | Thinkingmachines | 4 | 8.0 | $1.006 | 15/22 | 64.2s |
| #36 | Inkling medium | Thinkingmachines | 4 | 8.0 | $0.391 | 15/22 | 16.2s |
| #44 | Claude Sonnet 4.6 medium | Anthropic | 4 | 7.8 | $2.057 | 14/22 | 25.9s |
| #45 | Claude Opus 4.8 low | Anthropic | 4 | 7.8 | $2.077 | 16/22 | 12.7s |