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) |
|---|---|---|---|---|---|---|---|
| #205 | GPT-6 Sol none | OpenAI | 10 | 0.7 | $0.551 | 13/23 | 9.02s |
| #206 | Space Bunny Alpha max | Stealth | 10 | 0.7 | $0.000 | 11/23 | 36.2s |
| #216 | GPT-5.6 Sol none | OpenAI | 10 | 0.7 | $0.795 | 12/23 | 4.61s |
| #226 | KAT-Coder-Pro V2.5 low | Kwaipilot | 10 | 0.7 | $0.568 | 11/23 | 19.4s |
| #235 | KAT-Coder-Pro V2.5 high | Kwaipilot | 10 | 0.6 | $0.506 | 11/23 | 21.2s |
| #237 | Laguna XS 2.1 medium | Poolside | 10 | 0.6 | $0.083 | 9/23 | 49.0s |
| #281 | KAT-Coder-Pro V2.5 default | Kwaipilot | 10 | 0.6 | $0.742 | 11/23 | 25.0s |
| #284 | GLM 5.3 FlashX low | Z.ai | 10 | 0.6 | $0.157 | 11/23 | 9.69s |
| #285 | MiMo-V2.6-Pro none | Xiaomi | 10 | 0.6 | $0.193 | 9/23 | 9.66s |
| #289 | gpt-oss-120b medium | OpenAI | 10 | 0.6 | $0.030 | 9/23 | 31.6s |
| #301 | Trinity Large Thinking high | Arcee AI | 10 | 0.6 | $0.794 | 6/23 | 74.5s |
| #306 | Dots 3 Note Preview medium | Dots Studio | 10 | 0.6 | $0.000 | 8/23 | 70.3s |
| #320 | Gemma 4 26B A4B none | 10 | 0.5 | $0.031 | 9/23 | 10.5s | |
| #325 | North Mini Code medium | Cohere | 10 | 0.5 | $0.000 | 8/23 | 140.4s |
| #329 | Ember-1 none | Fireworks | 10 | 0.5 | $0.786 | 8/23 | 22.6s |