Eșecuri Răspuns greșit
Vezi ce modele AI se lovesc cel mai des de Răspuns greșit, ca să identifici riscurile de fiabilitate înainte să alegi. Sortează după: Cost total ↑.
Categorii
În categoria Specific domeniului893 În categoria Trucuri anti-AI519 În categoria Programare484 În categoria Rezolvare de puzzle-uri352 În categoria Cultură generală315 În categoria Inteligență generală134 În categoria Combinat128 În categoria Sarcini agentice128 În categoria Respectarea instrucțiunilor117 În categoria Parsare și extragere de date93
443/443
Filtrează modelele
Niciun model nu corespunde căutării și filtrelor curente.
| Rang | Model | Companie | Număr de Răspuns greșit | Scor | Cost total | Teste corecte | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|
| #315 | Nemotron 3 Super medium | NVIDIA | 6 | 0.6 | $0.081 | 8/23 | 56.4s |
| #158 | DeepSeek V4 Pro 0423 none | DeepSeek | 9 | 0.7 | $0.083 | 10/23 | 14.1s |
| #237 | Laguna XS 2.1 medium | Poolside | 10 | 0.6 | $0.083 | 9/23 | 49.0s |
| #411 | Grok 4.20 Beta default | X AI | 10 | 0.4 | $0.087 | 6/18 | 1.19s |
| #92 | Claude Haiku 5.5 high | Anthropic | 4 | 0.8 | $0.088 | 15/23 | 10.4s |
| #53 | GLM 5.3 Flash max | Z.ai | 2 | 0.9 | $0.089 | 17/23 | 54.0s |
| #145 | Qwen3.8 27B low | Qwen | 5 | 0.8 | ~$0.089 | 15/23 | 46.6s |
| #210 | Qwen3.5-Flash none | Qwen | 14 | 0.7 | $0.089 | 8/23 | 26.5s |
| #271 | Gemini 3.1 Flash Lite Preview none | 8 | 0.6 | $0.090 | 12/23 | 3.60s | |
| #349 | Laguna S 2.1 medium | Poolside | 14 | 0.5 | $0.092 | 4/23 | 63.1s |
| #241 | Solar Pro 4 medium | Upstage | 6 | 0.6 | $0.098 | 12/23 | 133.9s |
| #211 | Solar Pro 4 low | Upstage | 7 | 0.7 | $0.101 | 11/23 | 145.2s |
| #160 | Gemma 4 26B A4B medium | 2 | 0.7 | $0.101 | 16/23 | 105.0s | |
| #300 | Ring 2.6 1t medium | Inclusionai | 6 | 0.6 | $0.102 | 11/23 | 65.5s |
| #251 | LongCat 2.0 none | Meituan | 13 | 0.6 | $0.104 | 8/23 | 8.50s |