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: Număr de eșecuri ↑.
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) |
|---|---|---|---|---|---|---|---|
| #436 | GPT-6 Luna Decisions default | OpenAI | 8 | 0.2 | $0.005 | 3/12 | 495ms |
| #439 | Classify-1 default | Scaledown | 8 | 0.2 | $0.008 | 3/12 | 4.58s |
| #106 | DeepSeek V4 Pro 0423 high | DeepSeek | 9 | 0.8 | $0.149 | 11/23 | 91.3s |
| #131 | Qwen3.7 Plus none | Qwen | 9 | 0.8 | $0.178 | 13/23 | 17.8s |
| #141 | Muse Glimmer 30B medium | Meta | 9 | 0.8 | $0.288 | 12/23 | 34.0s |
| #151 | GPT-5.6 Luna medium | OpenAI | 9 | 0.7 | $0.065 | 13/23 | 9.64s |
| #158 | DeepSeek V4 Pro 0423 none | DeepSeek | 9 | 0.7 | $0.083 | 10/23 | 14.1s |
| #176 | Step 3.7 Flash low | Stepfun | 9 | 0.7 | $0.449 | 11/23 | 20.7s |
| #181 | Minimax M3.1 Flash low | Minimax | 9 | 0.7 | $0.000 | 12/23 | 14.8s |
| #217 | Apodex 1.1 Mini high | Apodex | 9 | 0.7 | $0.000 | 11/23 | 31.2s |
| #223 | Mercury 2 medium | Inception | 9 | 0.7 | $0.121 | 10/23 | 4.40s |
| #231 | Mercury 2.5 high | Inception | 9 | 0.6 | $0.044 | 12/23 | 7.62s |
| #239 | Gemini 3 Flash Preview none | 9 | 0.6 | $0.155 | 13/23 | 6.05s | |
| #243 | Minimax M3.1 Flash xhigh | Minimax | 9 | 0.6 | $0.000 | 10/23 | 21.7s |
| #246 | Mercury 2.5 medium | Inception | 9 | 0.6 | $0.034 | 12/23 | 7.74s |