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: Teste corecte ↑.
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) |
|---|---|---|---|---|---|---|---|
| #416 | Grok 4.20 none | X AI | 10 | 0.3 | $0.057 | 6/18 | 1.11s |
| #430 | d1-ultra default | Liquid | 7 | 0.3 | $0.003 | 4/12 | 531ms |
| #434 | Decider V1.1 27B default | Perplexity | 8 | 0.3 | $0.002 | 4/12 | 320ms |
| #435 | Drex v1.5 default | Nace AI | 8 | 0.2 | $0.002 | 4/12 | 986ms |
| #438 | Jev 1.14 default | Typesafe | 7 | 0.2 | $0.003 | 4/12 | 377ms |
| #210 | Qwen3.5-Flash none | Qwen | 14 | 0.7 | $0.089 | 8/23 | 26.5s |
| #251 | LongCat 2.0 none | Meituan | 13 | 0.6 | $0.104 | 8/23 | 8.50s |
| #253 | Qwen3.6 27B none | Qwen | 11 | 0.6 | $0.148 | 8/23 | 12.7s |
| #256 | Minimax M3.1 Flash medium | Minimax | 9 | 0.6 | $0.000 | 8/23 | 19.5s |
| #264 | Trinity Large Thinking low | Arcee AI | 7 | 0.6 | $0.918 | 8/23 | 95.2s |
| #275 | Trinity Large Thinking medium | Arcee AI | 9 | 0.6 | $0.862 | 8/23 | 84.0s |
| #278 | Qwen3.5 Plus 2026-04-20 none | Qwen | 12 | 0.6 | $0.216 | 8/23 | 18.5s |
| #280 | Granite 4.2 8B medium | IBM Granite | 9 | 0.6 | $0.029 | 8/23 | 50.5s |
| #287 | Seed-2.0-Lite none | Bytedance Seed | 14 | 0.6 | $0.114 | 8/23 | 7.49s |
| #293 | Nemotron 3 Ultra none | NVIDIA | 12 | 0.6 | $0.164 | 8/23 | 6.76s |