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: Scor ↓.
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) |
|---|---|---|---|---|---|---|---|
| #167 | Qwen3.6 35B A3B none | Qwen | 13 | 5.3 | $0.061 | 4/22 | 5.52s |
| #168 | Ling-2.6-1T none | Inclusionai | 12 | 5.3 | $0.016 | 4/22 | 8.58s |
| #169 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | $2.310 | 13/16 | 68.1s | |
| #170 | Inkling none | Thinkingmachines | 13 | 5.2 | $0.147 | 6/22 | 3.50s |
| #171 | Mistral Small 4 none | Mistral | 16 | 5.1 | $0.022 | 5/22 | 1.20s |
| #172 | Qwen3 Coder Next none | Qwen | 14 | 5.1 | $0.025 | 5/22 | 9.12s |
| #173 | Mistral Small 4 medium | Mistral | 12 | 5.1 | $0.096 | 5/22 | 10.8s |
| #174 | MiMo-V2.5 none | Xiaomi | 14 | 5.1 | $0.025 | 5/22 | 4.62s |
| #175 | Qwen3.5-9B none | Qwen | 14 | 5.1 | $0.021 | 4/22 | 19.2s |
| #176 | GLM 5 Turbo none | Z.ai | 13 | 5.1 | $0.047 | 6/21 | 2.82s |
| #177 | North Mini Code none | Cohere | 12 | 5.1 | $0.000 | 4/22 | 29.9s |
| #178 | MiniMax M2.7 medium | Minimax | 6 | 5.0 | $0.163 | 5/22 | 41.3s |
| #179 | DeepSeek V3.2 none | DeepSeek | 7 | 5.0 | $0.054 | 6/22 | 18.3s |
| #180 | GPT-4o-mini none | OpenAI | 15 | 5.0 | $0.010 | 5/22 | 1.99s |
| #181 | Qwen3.6 Plus Preview medium | Qwen | 2 | 4.9 | $0.000 | 9/19 | 15.2s |