चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील.
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) |
|---|---|---|---|---|---|---|---|
| #62 | Muse Spark 1.1 medium | Meta | 4 | 0.9 | $1.665 | 16/23 | 27.0s |
| #72 | Muse Spark 1.2 low | Meta | 4 | 0.9 | $0.881 | 16/23 | 11.8s |
| #84 | Qwen3.8 Max (0902) low | Qwen | 4 | 0.9 | $1.131 | 18/23 | 29.1s |
| #86 | Muse Spark 1.3 low | Meta | 4 | 0.9 | $0.911 | 16/23 | 17.7s |
| #93 | Muse Glimmer 30B xhigh | Meta | 4 | 0.8 | $0.585 | 14/23 | 97.7s |
| #95 | Inkling high | Thinkingmachines | 4 | 0.8 | $1.238 | 16/23 | 62.7s |
| #100 | Claude Haiku 5.5 high | Anthropic | 4 | 0.8 | $0.088 | 15/23 | 10.4s |
| #108 | DeepSeek V4.1 Flash 1017 max | DeepSeek | 4 | 0.8 | $0.757 | 15/23 | 78.2s |
| #125 | Qwen3.5-27B medium | Qwen | 4 | 0.8 | $1.135 | 14/23 | 114.7s |
| #131 | Qwen3.8 2.4T A95B high | Qwen | 4 | 0.8 | $2.949 | 15/23 | 120.9s |
| #146 | Nemotron 3.5 Super VL medium | NVIDIA | 4 | 0.8 | $0.437 | 14/23 | 84.9s |
| #170 | GLM 5.3 Flash high | Z.ai | 4 | 0.7 | $0.056 | 13/23 | 29.1s |
| #179 | Qwen3.8 27B medium | Qwen | 4 | 0.7 | ~$0.073 | 14/23 | 40.1s |
| #184 | GLM 5 medium | Z.ai | 4 | 0.7 | $0.479 | 15/22 | 39.0s |
| #194 | Qwen3.6 Max Preview medium | Qwen | 4 | 0.7 | $1.132 | 17/22 | 66.5s |