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) |
|---|---|---|---|---|---|---|---|
| #344 | Laguna XS 2.1 none | Poolside | 14 | 0.5 | $0.020 | 5/23 | 4.56s |
| #352 | Mistral Small 4 medium | Mistral | 14 | 0.5 | $0.126 | 5/23 | 12.7s |
| #354 | Mercury 2.5 low | Inception | 14 | 0.5 | $0.020 | 6/23 | 3.34s |
| #358 | Laguna S 2.1 medium | Poolside | 14 | 0.5 | $0.092 | 4/23 | 63.1s |
| #370 | MiMo-V2.5 none | Xiaomi | 14 | 0.5 | $0.049 | 5/23 | 9.88s |
| #372 | Hy4 preview none | Tencent | 14 | 0.5 | $0.165 | 3/23 | 40.4s |
| #387 | Nemotron 3.5 Lightning low | NVIDIA | 14 | 0.5 | $0.175 | 5/23 | 83.2s |
| #247 | Qwen3.5-122B-A10B none | Qwen | 13 | 0.6 | $0.308 | 7/23 | 14.8s |
| #260 | LongCat 2.0 none | Meituan | 13 | 0.6 | $0.104 | 8/23 | 8.50s |
| #274 | DeepSeek V4 Flash 0423 none | DeepSeek | 13 | 0.6 | $0.149 | 5/23 | 38.6s |
| #279 | DeepSeek V4 Flash 0731 none | DeepSeek | 13 | 0.6 | $0.053 | 5/23 | 27.4s |
| #286 | Inkling none | Thinkingmachines | 13 | 0.6 | $0.292 | 7/23 | 5.30s |
| #300 | Qwen3.6 Flash none | Qwen | 13 | 0.6 | $0.139 | 7/23 | 7.63s |
| #317 | Space Bunny Alpha low | Stealth | 13 | 0.6 | $0.000 | 8/23 | 30.6s |
| #321 | GLM 5 none | Z.ai | 13 | 0.6 | $0.140 | 9/22 | 8.74s |