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) |
|---|---|---|---|---|---|---|---|
| #10 | Gemini 3.6 Flash medium | 2 | 1.0 | $0.577 | 21/23 | 14.0s | |
| #85 | Muse Glimmer 30B xhigh | Meta | 4 | 0.8 | $0.585 | 14/23 | 97.7s |
| #68 | MiMo-V2.6-Pro medium | Xiaomi | 3 | 0.9 | $0.586 | 14/23 | 148.1s |
| #126 | DeepSeek V4.1 Flash 1017 high | DeepSeek | 5 | 0.8 | $0.589 | 13/23 | 58.6s |
| #64 | DeepSeek V4.1 Flash medium | DeepSeek | 5 | 0.9 | $0.591 | 16/23 | 32.9s |
| #184 | GPT-5.2 Chat default | OpenAI | 6 | 0.7 | $0.594 | 13/23 | 7.43s |
| #54 | Muse Spark Open low | Meta | 4 | 0.9 | $0.600 | 16/23 | 21.6s |
| #63 | DeepSeek V4.1 Flash high | DeepSeek | 5 | 0.9 | $0.617 | 16/23 | 33.3s |
| #117 | GLM 5.3 FlashX max | Z.ai | 2 | 0.8 | $0.623 | 15/23 | 44.0s |
| #49 | Gemini 3.5 Flash Lite high | 5 | 0.9 | $0.624 | 18/23 | 11.9s | |
| #222 | LongCat 2.0 low | Meituan | 8 | 0.7 | $0.630 | 10/23 | 115.0s |
| #283 | Claude Sonnet 4.6 none | Anthropic | 5 | 0.6 | $0.661 | 12/22 | 7.67s |
| #268 | KAT-Coder-Pro V2.5 medium | Kwaipilot | 9 | 0.6 | $0.669 | 11/23 | 23.9s |
| #50 | Gemini 4 Argon medium | 4 | 0.9 | $0.674 | 19/23 | 6.63s | |
| #274 | Beam 1.0 501B A23B high | Reflection | 7 | 0.6 | $0.674 | 11/23 | 9.03s |