चुकीचे उत्तर अपयशे
कोणत्या AI मॉडेल्सना चुकीचे उत्तर सर्वाधिक वेळा येतो ते पाहा, म्हणजे निवडण्यापूर्वी विश्वासार्हतेचे धोके लक्षात येतील.
219/219
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) |
|---|---|---|---|---|---|---|---|
| #123 | GPT-5.6 Luna low | OpenAI | 10 | 6.2 | $0.249 | 10/22 | 5.04s |
| #152 | Owl Alpha medium | Openrouter | 10 | 5.6 | $0.000 | 8/21 | 11.9s |
| #154 | Owl Alpha none | Openrouter | 10 | 5.6 | $0.000 | 7/21 | 9.88s |
| #162 | Gemma 4 26B A4B none | 10 | 5.5 | $0.015 | 8/22 | 7.64s | |
| #163 | Mimo V2 Omni none | Xiaomi | 10 | 5.5 | $0.021 | 8/21 | 2.44s |
| #201 | Grok 4.20 Beta none | X AI | 10 | 4.4 | $0.087 | 6/18 | 1.19s |
| #202 | Laguna M.1 none | Poolside | 10 | 4.4 | $0.009 | 4/19 | 2.89s |
| #207 | Grok 4.20 none | X AI | 10 | 4.1 | $0.057 | 6/18 | 1.11s |
| #85 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 9 | 6.9 | $0.467 | 11/22 | 24.0s |
| #95 | Gemini 3.5 Flash-Lite low | 9 | 6.7 | $0.145 | 12/22 | 2.25s | |
| #104 | Gemini 3.5 Flash-Lite medium | 9 | 6.5 | $0.369 | 12/22 | 6.01s | |
| #111 | Gemini 3.1 Flash Lite low | 9 | 6.5 | $0.621 | 12/22 | 16.3s | |
| #121 | Gemma 4 31B none | 9 | 6.2 | $0.021 | 10/22 | 5.34s | |
| #127 | gpt-oss-120b medium | OpenAI | 9 | 6.1 | $0.019 | 9/22 | 21.9s |
| #134 | GPT-5 Nano medium | OpenAI | 9 | 6.1 | $0.114 | 9/22 | 54.9s |