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) |
|---|---|---|---|---|---|---|---|
| #72 | Muse Spark 1.1 low | Meta | 5 | 0.9 | $0.885 | 14/23 | 13.2s |
| #1 | Gemini 3.6 Flash high | 1 | 1.0 | $0.900 | 22/23 | 18.9s | |
| #199 | Claude Sonnet 5.5 low | Anthropic | 1 | 0.7 | $0.909 | 10/23 | 7.46s |
| #78 | Muse Spark 1.3 low | Meta | 4 | 0.9 | $0.911 | 16/23 | 17.7s |
| #264 | Trinity Large Thinking low | Arcee AI | 7 | 0.6 | $0.918 | 8/23 | 95.2s |
| #3 | GPT-6 Sol high | OpenAI | 1 | 1.0 | $0.921 | 22/23 | 23.6s |
| #236 | Grok 4.3 medium | X AI | 6 | 0.6 | $0.989 | 12/23 | 44.5s |
| #102 | GLM 5.2 medium | Z.ai | 3 | 0.8 | $1.007 | 16/22 | 26.9s |
| #177 | Qwen3.6 27B medium | Qwen | 5 | 0.7 | $1.021 | 11/23 | 107.8s |
| #60 | Qwen3.8 MAX low | Qwen | 5 | 0.9 | $1.089 | 17/23 | 25.1s |
| #292 | Claude Sonnet 5 none | Anthropic | 9 | 0.6 | $1.095 | 7/23 | 8.60s |
| #47 | Qwen3.8 Max (0902) medium | Qwen | 5 | 0.9 | $1.096 | 18/23 | 30.4s |
| #227 | Claude Sonnet 5.5 medium | Anthropic | 1 | 0.7 | $1.100 | 9/23 | 8.03s |
| #119 | GPT-5.4 Mini medium | OpenAI | 6 | 0.8 | $1.102 | 13/23 | 29.9s |
| #76 | Qwen3.8 Max (0902) low | Qwen | 4 | 0.9 | $1.131 | 18/23 | 29.1s |