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: Timp de răspuns (mediu) ↑.
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) |
|---|---|---|---|---|---|---|---|
| #129 | Step 3.7 Flash medium | Stepfun | 6 | 0.8 | $0.571 | 13/23 | 26.6s |
| #102 | GLM 5.2 medium | Z.ai | 3 | 0.8 | $1.007 | 16/22 | 26.9s |
| #57 | Muse Spark 1.1 medium | Meta | 4 | 0.9 | $1.665 | 16/23 | 27.0s |
| #35 | Qwen3.8 MAX medium | Qwen | 4 | 0.9 | $1.181 | 18/23 | 27.3s |
| #270 | DeepSeek V4 Flash 0731 none | DeepSeek | 13 | 0.6 | $0.053 | 5/23 | 27.4s |
| #25 | Claude Opus 5.5 high | Anthropic | 2 | 0.9 | $2.133 | 19/23 | 27.6s |
| #109 | DeepSeek V4.1 Flash low | DeepSeek | 7 | 0.8 | $0.494 | 15/23 | 28.0s |
| #242 | Claude Sonnet 4.6 medium | Anthropic | 4 | 0.6 | $2.126 | 14/22 | 28.1s |
| #55 | Muse Spark 1.2 high | Meta | 4 | 0.9 | $2.018 | 15/23 | 28.1s |
| #59 | Pareto 26.9 default | Unbiased | 6 | 0.9 | $1.864 | 15/23 | 28.3s |
| #128 | GLM 5.3 high | Z.ai | 6 | 0.8 | $0.495 | 14/23 | 28.4s |
| #395 | gpt-oss-120b none | OpenAI | 9 | 0.4 | $0.016 | 6/20 | 28.6s |
| #422 | Grok Build 0.1 none | X AI | 7 | 0.3 | $0.547 | 7/19 | 28.7s |
| #76 | Qwen3.8 Max (0902) low | Qwen | 4 | 0.9 | $1.131 | 18/23 | 29.1s |
| #157 | Inkling Small high | Thinkingmachines | 6 | 0.7 | $0.398 | 14/23 | 29.1s |