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) |
|---|---|---|---|---|---|---|---|
| #302 | GPT-5 Nano medium | OpenAI | 11 | 0.6 | $0.159 | 8/23 | 56.5s |
| #307 | Gemma 4 31B none | 11 | 0.6 | $0.031 | 9/23 | 7.28s | |
| #314 | Nemotron 3.5 Super VL none | NVIDIA | 11 | 0.6 | $0.040 | 8/23 | 47.0s |
| #332 | Granite 4.2 8B low | IBM Granite | 11 | 0.5 | $0.036 | 7/23 | 58.2s |
| #334 | Qwen3.6 Max Preview none | Qwen | 11 | 0.5 | $0.228 | 11/22 | 7.82s |
| #339 | Nemotron 3.5 Lightning high | NVIDIA | 11 | 0.5 | $0.168 | 5/23 | 77.1s |
| #376 | GLM 5V Turbo none | Z.ai | 11 | 0.5 | $0.052 | 8/21 | 2.99s |
| #380 | Mimo V2 PRO default | Xiaomi | 11 | 0.5 | $0.045 | 7/21 | 2.27s |
| #389 | Granite 4.2 8B none | IBM Granite | 11 | 0.4 | $0.037 | 3/23 | 84.7s |
| #447 | Microsoft-Decision-1 default | Microsoft | 11 | 0.1 | $0.002 | 1/12 | 982ms |
| #234 | GLM 5.1 none | Z.ai | 12 | 0.6 | $0.451 | 9/23 | 11.1s |
| #278 | Qwen3.5 Plus 2026-04-20 none | Qwen | 12 | 0.6 | $0.216 | 8/23 | 18.5s |
| #290 | Gemini 3.1 Flash Lite none | 12 | 0.6 | $0.069 | 9/23 | 3.58s | |
| #293 | Nemotron 3 Ultra none | NVIDIA | 12 | 0.6 | $0.164 | 8/23 | 6.76s |
| #297 | GPT-5.6 Terra none | OpenAI | 12 | 0.6 | $0.377 | 8/23 | 4.11s |