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: Cost total ↑.
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) |
|---|---|---|---|---|---|---|---|
| #331 | GPT-5.6 Luna none | OpenAI | 15 | 0.5 | $0.042 | 6/23 | 3.78s |
| #383 | Hy3 preview low | Tencent | 4 | 0.5 | $0.042 | 10/21 | 24.6s |
| #342 | MiMo-V2-Flash medium | Xiaomi | 5 | 0.5 | $0.043 | 12/21 | 20.1s |
| #231 | Mercury 2.5 high | Inception | 9 | 0.6 | $0.044 | 12/23 | 7.62s |
| #370 | Laguna S 2.1 none | Poolside | 18 | 0.5 | $0.044 | 2/23 | 17.7s |
| #114 | Qwen3.8 Flash Next low | Qwen | 6 | 0.8 | ~$0.045 | 15/23 | 23.7s |
| #380 | Mimo V2 PRO default | Xiaomi | 11 | 0.5 | $0.045 | 7/21 | 2.27s |
| #354 | KAT Coder AIR V2.5 low | Kwaipilot | 7 | 0.5 | $0.046 | 7/23 | 10.2s |
| #396 | GLM 5 Turbo none | Z.ai | 13 | 0.4 | $0.047 | 6/21 | 2.82s |
| #344 | Mistral Small 4 none | Mistral | 17 | 0.5 | $0.047 | 5/23 | 3.12s |
| #95 | GPT-6 Luna medium | OpenAI | 7 | 0.8 | $0.047 | 15/23 | 18.1s |
| #143 | Qwen3.8 Flash Next medium | Qwen | 6 | 0.8 | ~$0.047 | 15/23 | 24.8s |
| #346 | KAT Coder AIR V2.5 medium | Kwaipilot | 10 | 0.5 | $0.048 | 8/23 | 8.32s |
| #361 | MiMo-V2.5 none | Xiaomi | 14 | 0.5 | $0.049 | 5/23 | 9.88s |
| #198 | GPT-5.6 Luna low | OpenAI | 10 | 0.7 | $0.049 | 11/23 | 6.96s |