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 domeniului421 În categoria Trucuri anti-AI293 În categoria Programare259 În categoria Rezolvare de puzzle-uri204 În categoria Cultură generală172 În categoria Combinat69 În categoria Inteligență generală62 În categoria Respectarea instrucțiunilor61 În categoria Parsare și extragere de date41 În categoria Apelare instrumente3
215/215
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) |
|---|---|---|---|---|---|---|---|
| #109 | Qwen3.5-27B none | Qwen | 12 | 6.5 | $0.090 | 8/22 | 4.76s |
| #100 | Gemma 4 26B A4B medium | 3 | 6.6 | $0.089 | 14/22 | 103.8s | |
| #158 | Qwen3.6 27B none | Qwen | 11 | 5.5 | $0.087 | 7/22 | 10.7s |
| #197 | Grok 4.20 Beta none | X AI | 10 | 4.4 | $0.087 | 6/18 | 1.19s |
| #93 | Gemini 3 Flash Preview none | 8 | 6.8 | $0.085 | 13/22 | 2.95s | |
| #107 | MiMo-V2.5 medium | Xiaomi | 5 | 6.5 | $0.082 | 12/22 | 32.2s |
| #80 | DeepSeek V3.2 medium | DeepSeek | 5 | 7.0 | $0.078 | 11/22 | 68.6s |
| #150 | KAT-Coder-Air V2.5 high | Kwaipilot | 9 | 5.6 | $0.077 | 7/22 | 15.9s |
| #131 | Qwen3.5-Flash none | Qwen | 13 | 6.1 | $0.073 | 8/22 | 25.3s |
| #113 | Qwen3.5 Plus 2026-02-15 none | Qwen | 12 | 6.4 | $0.073 | 10/22 | 9.85s |
| #191 | Grok 4.1 Fast medium | X AI | 4 | 4.7 | $0.069 | 9/19 | 23.8s |
| #160 | MiMo-V2.5-Pro none | Xiaomi | 11 | 5.5 | $0.068 | 6/22 | 4.12s |
| #108 | Laguna XS 2.1 medium | Poolside | 11 | 6.5 | $0.068 | 9/22 | 47.9s |
| #188 | KAT-Coder-Air V2.5 none | Kwaipilot | 13 | 4.8 | $0.067 | 5/22 | 12.2s |
| #122 | Seed-2.0-Lite none | Bytedance Seed | 13 | 6.2 | $0.066 | 8/22 | 4.40s |