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: Teste corecte ↑.
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) |
|---|---|---|---|---|---|---|---|
| #355 | Grok 4.20 Beta medium | X AI | 3 | 0.5 | $0.750 | 14/18 | 9.75s |
| #29 | Seed 2.1 Turbo low | Bytedance Seed | 3 | 0.9 | $1.645 | 18/23 | 161.2s |
| #35 | Qwen3.8 MAX medium | Qwen | 4 | 0.9 | $1.181 | 18/23 | 27.3s |
| #37 | Qwen3.8 Max (0902) high | Qwen | 2 | 0.9 | $3.306 | 18/23 | 186.1s |
| #39 | Claude Haiku 5.5 xhigh | Anthropic | 2 | 0.9 | $0.140 | 18/23 | 16.6s |
| #47 | Qwen3.8 Max (0902) medium | Qwen | 5 | 0.9 | $1.096 | 18/23 | 30.4s |
| #48 | Muse Spark 1.3 medium | Meta | 4 | 0.9 | $1.712 | 18/23 | 39.8s |
| #49 | Gemini 3.5 Flash Lite high | 5 | 0.9 | $0.624 | 18/23 | 11.9s | |
| #58 | Claude Fable 5 medium | Anthropic | 1 | 0.9 | $5.089 | 18/23 | 16.8s |
| #70 | GPT-6 Sol low | OpenAI | 5 | 0.9 | $0.477 | 18/23 | 8.72s |
| #76 | Qwen3.8 Max (0902) low | Qwen | 4 | 0.9 | $1.131 | 18/23 | 29.1s |
| #107 | Claude Opus 4.7 medium | Anthropic | 3 | 0.8 | $3.636 | 18/23 | 14.1s |
| #121 | Gemini 3.5 Flash medium | 3 | 0.8 | $1.316 | 18/23 | 11.8s | |
| #392 | Gemini 3.1 Flash Lite Preview high | 2 | 0.4 | $2.310 | 13/16 | 68.1s | |
| #13 | GPT-5.6 Sol low | OpenAI | 4 | 1.0 | $1.244 | 19/23 | 11.1s |