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) |
|---|---|---|---|---|---|---|---|
| #87 | Inkling high | Thinkingmachines | 4 | 0.8 | $1.238 | 16/23 | 62.7s |
| #92 | Claude Haiku 5.5 high | Anthropic | 4 | 0.8 | $0.088 | 15/23 | 10.4s |
| #100 | DeepSeek V4.1 Flash 1017 max | DeepSeek | 4 | 0.8 | $0.757 | 15/23 | 78.2s |
| #116 | Qwen3.5-27B medium | Qwen | 4 | 0.8 | $1.135 | 14/23 | 114.7s |
| #122 | Qwen3.8 2.4T A95B high | Qwen | 4 | 0.8 | $2.949 | 15/23 | 120.9s |
| #137 | Nemotron 3.5 Super VL medium | NVIDIA | 4 | 0.8 | $0.437 | 14/23 | 84.9s |
| #161 | GLM 5.3 Flash high | Z.ai | 4 | 0.7 | $0.056 | 13/23 | 29.1s |
| #170 | Qwen3.8 27B medium | Qwen | 4 | 0.7 | ~$0.073 | 14/23 | 40.1s |
| #175 | GLM 5 medium | Z.ai | 4 | 0.7 | $0.479 | 15/22 | 39.0s |
| #185 | Qwen3.6 Max Preview medium | Qwen | 4 | 0.7 | $1.132 | 17/22 | 66.5s |
| #197 | Gemma 4 31B medium | 4 | 0.7 | $0.144 | 14/23 | 78.8s | |
| #201 | Kimi K2.6 medium | Moonshot AI | 4 | 0.7 | $1.594 | 12/23 | 121.3s |
| #204 | Mercury 2.5 Preview medium | Inception | 4 | 0.7 | $0.039 | 15/23 | 6.66s |
| #242 | Claude Sonnet 4.6 medium | Anthropic | 4 | 0.6 | $2.126 | 14/22 | 28.1s |
| #248 | MiMo-V2.5-Pro medium | Xiaomi | 4 | 0.6 | $0.332 | 11/23 | 56.7s |