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) |
|---|---|---|---|---|---|---|---|
| #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 |
| #45 | Muse Spark Open xhigh | Meta | 2 | 0.9 | $2.081 | 16/23 | 92.4s |
| #53 | GLM 5.3 Flash max | Z.ai | 2 | 0.9 | $0.089 | 17/23 | 54.0s |
| #67 | Qwen3.8 27B high | Qwen | 2 | 0.9 | ~$0.298 | 17/23 | 166.3s |
| #86 | Gemini 3.1 Pro Preview medium | 2 | 0.8 | $1.585 | 20/23 | 22.7s | |
| #93 | Gemini 3.5 Flash high | 2 | 0.8 | $2.737 | 19/23 | 18.6s | |
| #113 | Gemini 3.8 Flash medium | 2 | 0.8 | $0.769 | 19/23 | 16.6s | |
| #117 | GLM 5.3 FlashX max | Z.ai | 2 | 0.8 | $0.623 | 15/23 | 44.0s |
| #124 | Muse Wonder max | Meta | 2 | 0.8 | $4.766 | 16/23 | 44.4s |
| #125 | Ling 3.1 Flash high | Inclusionai | 2 | 0.8 | $0.000 | 15/23 | 87.4s |
| #134 | Muse Wonder high | Meta | 2 | 0.8 | $3.426 | 15/23 | 23.0s |
| #160 | Gemma 4 26B A4B medium | 2 | 0.7 | $0.101 | 16/23 | 105.0s | |
| #196 | Ember-1 high | Fireworks | 2 | 0.7 | $2.405 | 12/23 | 58.1s |
| #212 | Grok 4.7 high | X AI | 2 | 0.7 | $3.037 | 13/23 | 122.2s |