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) |
|---|---|---|---|---|---|---|---|
| #207 | GPT-5.6 Luna low | OpenAI | 10 | 0.7 | $0.049 | 11/23 | 6.96s |
| #214 | GPT-6 Sol none | OpenAI | 10 | 0.7 | $0.551 | 13/23 | 9.02s |
| #215 | Space Bunny Alpha max | Stealth | 10 | 0.7 | $0.000 | 11/23 | 36.2s |
| #225 | GPT-5.6 Sol none | OpenAI | 10 | 0.7 | $0.795 | 12/23 | 4.61s |
| #235 | KAT-Coder-Pro V2.5 low | Kwaipilot | 10 | 0.7 | $0.568 | 11/23 | 19.4s |
| #244 | KAT-Coder-Pro V2.5 high | Kwaipilot | 10 | 0.6 | $0.506 | 11/23 | 21.2s |
| #246 | Laguna XS 2.1 medium | Poolside | 10 | 0.6 | $0.083 | 9/23 | 49.0s |
| #290 | KAT-Coder-Pro V2.5 default | Kwaipilot | 10 | 0.6 | $0.742 | 11/23 | 25.0s |
| #293 | GLM 5.3 FlashX low | Z.ai | 10 | 0.6 | $0.157 | 11/23 | 9.69s |
| #294 | MiMo-V2.6-Pro none | Xiaomi | 10 | 0.6 | $0.193 | 9/23 | 9.66s |
| #298 | gpt-oss-120b medium | OpenAI | 10 | 0.6 | $0.030 | 9/23 | 31.6s |
| #310 | Trinity Large Thinking high | Arcee AI | 10 | 0.6 | $0.794 | 6/23 | 74.5s |
| #315 | Dots 3 Note Preview medium | Dots Studio | 10 | 0.6 | $0.000 | 8/23 | 70.3s |
| #329 | Gemma 4 26B A4B none | 10 | 0.5 | $0.031 | 9/23 | 10.5s | |
| #334 | North Mini Code medium | Cohere | 10 | 0.5 | $0.000 | 8/23 | 140.4s |