Clasament al eșecurilor pentru 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: Cost total ↑.

Modele afișate

Eșecuri totale

3172

Modelul cel mai afectat

Ling 3.1 Flash 3

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

Rang	Model	Companie	Număr de Răspuns greșit	Scor	Cost total	Teste corecte	Timp de răspuns (mediu)
#449	Tev1 4B Experimental default	Togethercomputer	4	1.0	$0.002	3/7	498ms
Total teste 7 Teste greșite 4 Cost total $0.002 Timp de răspuns (mediu) 498ms
#434	Decider V1.1 27B default	Perplexity	8	0.3	$0.002	4/12	320ms
Total teste 12 Teste greșite 8 Cost total $0.002 Timp de răspuns (mediu) 320ms
#382	Ling 2.6 Flash default	Inclusionai	9	0.5	$0.002	6/23	10.2s
Total teste 23 Teste greșite 17 Cost total $0.002 Timp de răspuns (mediu) 10.2s
#435	Drex v1.5 default	Nace AI	8	0.2	$0.002	4/12	986ms
Total teste 12 Teste greșite 8 Cost total $0.002 Timp de răspuns (mediu) 986ms
#447	Microsoft-Decision-1 default	Microsoft	11	0.1	$0.002	1/12	982ms
Total teste 12 Teste greșite 11 Cost total $0.002 Timp de răspuns (mediu) 982ms
#437	Kev 4B default	Jaredpalmer	9	0.2	$0.002	3/12	5.63s
Total teste 12 Teste greșite 9 Cost total $0.002 Timp de răspuns (mediu) 5.63s
#443	D1 default	Liquid	10	0.2	$0.003	2/12	508ms
Total teste 12 Teste greșite 10 Cost total $0.003 Timp de răspuns (mediu) 508ms
#430	d1-ultra default	Liquid	7	0.3	$0.003	4/12	531ms
Total teste 12 Teste greșite 8 Cost total $0.003 Timp de răspuns (mediu) 531ms
#446	Solar Decide Flash default	Upstage	4	0.2	$0.003	3/7	1.33s
Total teste 7 Teste greșite 4 Cost total $0.003 Timp de răspuns (mediu) 1.33s
#432	Jev 1.13 default	Typesafe	6	0.3	$0.003	6/12	698ms
Total teste 12 Teste greșite 6 Cost total $0.003 Timp de răspuns (mediu) 698ms
#438	Jev 1.14 default	Typesafe	7	0.2	$0.003	4/12	377ms
Total teste 12 Teste greșite 8 Cost total $0.003 Timp de răspuns (mediu) 377ms
#338	Ling 3.0 Flash none	Inclusionai	13	0.5	$0.004	6/23	3.40s
Total teste 23 Teste greșite 17 Cost total $0.004 Timp de răspuns (mediu) 3.40s
#425	Laguna Xs.2 default	Poolside	8	0.3	$0.004	5/19	806ms
Total teste 19 Teste greșite 14 Cost total $0.004 Timp de răspuns (mediu) 806ms
#436	GPT-6 Luna Decisions default	OpenAI	8	0.2	$0.005	3/12	495ms
Total teste 12 Teste greșite 9 Cost total $0.005 Timp de răspuns (mediu) 495ms
#405	Granite 4.1 8b default	IBM Granite	13	0.4	$0.007	2/23	1.38s
Total teste 23 Teste greșite 21 Cost total $0.007 Timp de răspuns (mediu) 1.38s

Eșecuri Răspuns greșit

Filtrează modelele

Top modele după Număr de Răspuns greșit

Număr de Răspuns greșit vs Scor

Top modele după Timp de răspuns (mediu)