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) |
|---|---|---|---|---|---|---|---|
| #167 | Gemini 3.5 Flash Lite medium | 6 | 0.7 | $0.440 | 14/23 | 8.68s | |
| #169 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 6 | 0.7 | $0.567 | 14/23 | 97.7s |
| #170 | Qwen3.8 27B medium | Qwen | 4 | 0.7 | ~$0.073 | 14/23 | 40.1s |
| #179 | Qwen3.8 Flash Next xhigh | Qwen | 6 | 0.7 | ~$0.195 | 14/23 | 102.7s |
| #186 | Gemini 3.1 Flash Lite Preview medium | 7 | 0.7 | $0.158 | 14/23 | 6.78s | |
| #190 | Qwen3.5-122B-A10B medium | Qwen | 5 | 0.7 | $1.152 | 14/23 | 67.0s |
| #197 | Gemma 4 31B medium | 4 | 0.7 | $0.144 | 14/23 | 78.8s | |
| #208 | Grok 4.7 xhigh | X AI | 3 | 0.7 | $3.398 | 14/23 | 124.0s |
| #225 | Beam 1.0 501B A23B medium | Reflection | 6 | 0.7 | $0.499 | 14/23 | 6.27s |
| #255 | Gemini 3.1 Flash Lite Preview low | 7 | 0.6 | $0.736 | 14/23 | 19.0s | |
| #273 | Gemini 3.5 Flash none | 4 | 0.6 | $1.752 | 14/23 | 14.1s | |
| #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 |
| #56 | Muse Spark 1.2 medium | Meta | 3 | 0.9 | $1.590 | 15/23 | 21.3s |
| #59 | Pareto 26.9 default | Unbiased | 6 | 0.9 | $1.864 | 15/23 | 28.3s |