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: Scor ↑.
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) |
|---|---|---|---|---|---|---|---|
| #71 | DeepSeek V4.1 Flash max | DeepSeek | 6 | 0.9 | $1.204 | 15/23 | 61.6s |
| #70 | GPT-6 Sol low | OpenAI | 5 | 0.9 | $0.477 | 18/23 | 8.72s |
| #69 | Seed 2.1 Turbo medium | Bytedance Seed | 5 | 0.9 | $2.042 | 16/23 | 189.1s |
| #68 | MiMo-V2.6-Pro medium | Xiaomi | 3 | 0.9 | $0.586 | 14/23 | 148.1s |
| #67 | Qwen3.8 27B high | Qwen | 2 | 0.9 | ~$0.298 | 17/23 | 166.3s |
| #66 | GPT-5.2 medium | OpenAI | 3 | 0.9 | $1.558 | 15/23 | 31.3s |
| #65 | Muse Spark 1.2 low | Meta | 4 | 0.9 | $0.881 | 16/23 | 11.8s |
| #64 | DeepSeek V4.1 Flash medium | DeepSeek | 5 | 0.9 | $0.591 | 16/23 | 32.9s |
| #63 | DeepSeek V4.1 Flash high | DeepSeek | 5 | 0.9 | $0.617 | 16/23 | 33.3s |
| #62 | Muse Spark Open medium | Meta | 3 | 0.9 | $1.260 | 15/23 | 77.4s |
| #61 | GPT-5.4 medium | OpenAI | 5 | 0.9 | $2.213 | 16/23 | 24.8s |
| #60 | Qwen3.8 MAX low | Qwen | 5 | 0.9 | $1.089 | 17/23 | 25.1s |
| #59 | Pareto 26.9 default | Unbiased | 6 | 0.9 | $1.864 | 15/23 | 28.3s |
| #58 | Claude Fable 5 medium | Anthropic | 1 | 0.9 | $5.089 | 18/23 | 16.8s |
| #57 | Muse Spark 1.1 medium | Meta | 4 | 0.9 | $1.665 | 16/23 | 27.0s |