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: Teste corecte ↑.
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) |
|---|---|---|---|---|---|---|---|
| #433 | Decider V1.2 default | Perplexity | 5 | 0.3 | $0.001 | 5/12 | 517ms |
| #446 | Solar Decide Flash default | Upstage | 4 | 0.2 | $0.003 | 3/7 | 1.33s |
| #449 | Tev1 4B Experimental default | Togethercomputer | 4 | 1.0 | $0.002 | 3/7 | 498ms |
| #158 | DeepSeek V4 Pro 0423 none | DeepSeek | 9 | 0.7 | $0.083 | 10/23 | 14.1s |
| #165 | LongCat 2.0 high | Meituan | 7 | 0.7 | $0.778 | 10/23 | 151.7s |
| #168 | Qwen3.5-27B none | Qwen | 11 | 0.7 | $0.116 | 10/23 | 9.98s |
| #189 | Step 5 Preview high | Stepfun | 3 | 0.7 | $4.513 | 10/23 | 154.4s |
| #199 | Claude Sonnet 5.5 low | Anthropic | 1 | 0.7 | $0.909 | 10/23 | 7.46s |
| #221 | Qwen3.7 Flash medium | Qwen | 8 | 0.7 | $0.076 | 10/23 | 51.8s |
| #222 | LongCat 2.0 low | Meituan | 8 | 0.7 | $0.630 | 10/23 | 115.0s |
| #223 | Mercury 2 medium | Inception | 9 | 0.7 | $0.121 | 10/23 | 4.40s |
| #243 | Minimax M3.1 Flash xhigh | Minimax | 9 | 0.6 | $0.000 | 10/23 | 21.7s |
| #244 | Kimi K2.5 medium | Moonshot AI | 5 | 0.6 | $0.841 | 10/23 | 125.8s |
| #249 | Dots 3 Note Preview high | Dots Studio | 9 | 0.6 | $0.000 | 10/23 | 70.5s |
| #250 | Dots 3 Note Preview low | Dots Studio | 8 | 0.6 | $0.000 | 10/23 | 66.1s |