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) |
|---|---|---|---|---|---|---|---|
| #206 | Space Bunny Alpha max | Stealth | 10 | 0.7 | $0.000 | 11/23 | 36.2s |
| #211 | Solar Pro 4 low | Upstage | 7 | 0.7 | $0.101 | 11/23 | 145.2s |
| #213 | MiniMax M3 medium | Minimax | 5 | 0.7 | $0.422 | 11/23 | 77.0s |
| #214 | Ember-1 max | Fireworks | 3 | 0.7 | $3.264 | 11/23 | 97.3s |
| #217 | Apodex 1.1 Mini high | Apodex | 9 | 0.7 | $0.000 | 11/23 | 31.2s |
| #218 | GLM 5.3 Flash low | Z.ai | 8 | 0.7 | $0.038 | 11/23 | 11.8s |
| #224 | Step 3.7 Flash high | Stepfun | 8 | 0.7 | $1.478 | 11/23 | 72.7s |
| #226 | KAT-Coder-Pro V2.5 low | Kwaipilot | 10 | 0.7 | $0.568 | 11/23 | 19.4s |
| #235 | KAT-Coder-Pro V2.5 high | Kwaipilot | 10 | 0.6 | $0.506 | 11/23 | 21.2s |
| #245 | Beam 1.0 501B A23B low | Reflection | 6 | 0.6 | $0.432 | 11/23 | 4.89s |
| #248 | MiMo-V2.5-Pro medium | Xiaomi | 4 | 0.6 | $0.332 | 11/23 | 56.7s |
| #252 | Qwen3.5-35B-A3B medium | Qwen | 3 | 0.6 | $0.716 | 11/23 | 111.5s |
| #258 | Solar Pro 4 high | Upstage | 6 | 0.6 | $0.077 | 11/23 | 128.9s |
| #259 | Qwen3.5 Plus 2026-02-15 none | Qwen | 11 | 0.6 | $0.176 | 11/23 | 20.1s |
| #263 | DeepSeek V3.2 medium | DeepSeek | 6 | 0.6 | $0.152 | 11/23 | 70.1s |