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) |
|---|---|---|---|---|---|---|---|
| #25 | Claude Opus 5.5 high | Anthropic | 2 | 0.9 | $2.133 | 19/23 | 27.6s |
| #24 | Claude Opus 5.5 low | Anthropic | 2 | 0.9 | $1.733 | 19/23 | 25.7s |
| #23 | GPT-5.5 low | OpenAI | 3 | 0.9 | $1.822 | 20/23 | 11.9s |
| #22 | GPT-5.6 Sol high | OpenAI | 4 | 0.9 | $1.595 | 19/23 | 13.6s |
| #21 | GPT-6 Astra medium | OpenAI | 3 | 0.9 | $2.707 | 20/23 | 9.90s |
| #19 | GPT-6 Sol medium | OpenAI | 2 | 0.9 | $0.703 | 21/23 | 12.1s |
| #20 | GPT-5.6 Sol medium | OpenAI | 4 | 0.9 | $1.700 | 19/23 | 14.6s |
| #18 | Gemini 3.7 Flash medium | 2 | 1.0 | $0.278 | 21/23 | 8.16s | |
| #17 | Gemini 4 Argon high | 1 | 1.0 | $1.802 | 21/23 | 19.0s | |
| #16 | GPT-6.1 Sol low | OpenAI | 2 | 1.0 | $0.460 | 21/23 | 7.15s |
| #15 | Gemini 3 Flash Preview medium | 2 | 1.0 | $0.876 | 21/23 | 21.6s | |
| #14 | GPT-6 Astra low | OpenAI | 2 | 1.0 | $2.160 | 21/23 | 7.01s |
| #13 | GPT-5.6 Sol low | OpenAI | 4 | 1.0 | $1.244 | 19/23 | 11.1s |
| #11 | GPT-6.1 Sol medium | OpenAI | 2 | 1.0 | $0.530 | 21/23 | 8.90s |
| #12 | GPT-6.1 Sol high | OpenAI | 2 | 1.0 | $0.755 | 21/23 | 15.5s |