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) |
|---|---|---|---|---|---|---|---|
| #132 | Grok 4.5 low | X AI | 7 | 0.8 | $1.345 | 16/23 | 18.1s |
| #6 | GPT-6.1 Sol xhigh | OpenAI | 1 | 1.0 | $1.377 | 22/23 | 33.1s |
| #149 | Mistral Large 4 high | Mistral | 6 | 0.8 | $1.391 | 12/23 | 263.7s |
| #209 | Grok Build 0.1 medium | X AI | 6 | 0.7 | $1.419 | 13/23 | 55.1s |
| #79 | Claude Sonnet 5 medium | Anthropic | 5 | 0.9 | $1.438 | 16/23 | 15.0s |
| #150 | Seed-2.0-Code high | Bytedance Seed | 6 | 0.7 | $1.448 | 12/23 | 124.9s |
| #224 | Step 3.7 Flash high | Stepfun | 8 | 0.7 | $1.478 | 11/23 | 72.7s |
| #188 | Ember-1 low | Fireworks | 3 | 0.7 | $1.488 | 13/23 | 34.9s |
| #73 | Claude Sonnet 5.5 xhigh | Anthropic | 3 | 0.9 | $1.516 | 16/23 | 15.0s |
| #42 | Pareto default | Unbiased | 3 | 0.9 | $1.520 | 19/23 | 33.5s |
| #147 | GLM 5.1 medium | Z.ai | 5 | 0.8 | $1.546 | 13/23 | 66.4s |
| #66 | GPT-5.2 medium | OpenAI | 3 | 0.9 | $1.558 | 15/23 | 31.3s |
| #86 | Gemini 3.1 Pro Preview medium | 2 | 0.8 | $1.585 | 20/23 | 22.7s | |
| #56 | Muse Spark 1.2 medium | Meta | 3 | 0.9 | $1.590 | 15/23 | 21.3s |
| #201 | Kimi K2.6 medium | Moonshot AI | 4 | 0.7 | $1.594 | 12/23 | 121.3s |