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 domeniului654 În categoria Trucuri anti-AI386 În categoria Programare361 În categoria Rezolvare de puzzle-uri275 În categoria Cultură generală244 În categoria Combinat95 În categoria Inteligență generală90 În categoria Respectarea instrucțiunilor82 În categoria Parsare și extragere de date66 În categoria Apelare instrumente5
309/309
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) |
|---|---|---|---|---|---|---|---|
| #228 | Hy4 preview low | Tencent | 3 | 5.6 | $1.745 | 3/22 | 214.3s |
| #36 | Muse Spark 1.2 high | Meta | 4 | 8.7 | $1.771 | 14/22 | 26.6s |
| #27 | Seed 2.1 Turbo high | Bytedance Seed | 4 | 8.9 | $1.797 | 16/22 | 174.0s |
| #12 | Grok 4.6 high | X AI | 2 | 9.3 | $1.908 | 19/22 | 84.1s |
| #49 | Seed 2.1 Turbo medium | Bytedance Seed | 5 | 8.4 | $1.951 | 15/22 | 193.6s |
| #31 | Claude Opus 4.8 medium | Anthropic | 4 | 8.8 | $1.983 | 17/22 | 13.0s |
| #7 | Gemini 3.5 Flash high | 2 | 9.4 | $2.011 | 19/22 | 15.5s | |
| #43 | Grok 4.5 medium | X AI | 5 | 8.5 | $2.042 | 17/22 | 68.6s |
| #219 | Gemini 3.1 Flash Lite high | 4 | 5.6 | $2.044 | 10/18 | 62.0s | |
| #78 | Claude Opus 4.8 low | Anthropic | 4 | 7.8 | $2.089 | 16/22 | 12.9s |
| #75 | Claude Sonnet 4.6 medium | Anthropic | 4 | 7.8 | $2.126 | 14/22 | 28.1s |
| #24 | Grok 4.5 high | X AI | 2 | 9.0 | $2.252 | 17/22 | 72.3s |
| #60 | Muse Spark 1.1 high | Meta | 3 | 8.0 | $2.253 | 12/22 | 36.9s |
| #245 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | $2.310 | 13/16 | 68.1s | |
| #105 | Qwen3.8 2.4T A95B high | Qwen | 3 | 7.4 | $2.357 | 14/22 | 120.6s |