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 domeniului654 În categoria Trucuri anti-AI386 În categoria Programare361 În categoria Rezolvare de puzzle-uri275 În categoria Cultură generală244 În categoria Combinat95 În categoria Inteligență generală90 În categoria Respectarea instrucțiunilor82 În categoria Parsare și extragere de date66 În categoria Apelare instrumente5
309/309
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) |
|---|---|---|---|---|---|---|---|
| #258 | North Mini Code none | Cohere | 12 | 5.1 | $0.000 | 4/22 | 29.9s |
| #259 | MiniMax M2.7 medium | Minimax | 6 | 5.0 | $0.208 | 5/22 | 43.2s |
| #260 | Mercury 2.5 Preview low | Inception | 12 | 5.0 | $0.011 | 6/22 | 1.31s |
| #261 | Laguna S 2.1 low | Poolside | 15 | 5.0 | $0.082 | 3/22 | 85.3s |
| #262 | DeepSeek V3.2 none | DeepSeek | 8 | 5.0 | $0.054 | 6/22 | 17.9s |
| #263 | GPT-4o-mini none | OpenAI | 15 | 5.0 | $0.010 | 5/22 | 1.92s |
| #264 | Qwen3.6 Plus Preview medium | Qwen | 2 | 4.9 | $0.000 | 9/19 | 15.2s |
| #265 | Mercury 2.5 Preview none | Inception | 16 | 4.9 | $0.018 | 4/22 | 3.51s |
| #266 | Ling-2.6-flash none | Inclusionai | 9 | 4.9 | $0.002 | 6/22 | 10.7s |
| #267 | Nemotron 3 Super none | NVIDIA | 15 | 4.8 | $0.008 | 5/22 | 6.04s |
| #268 | Hy4 preview none | Tencent | 9 | 4.8 | $0.041 | 3/22 | 39.2s |
| #269 | Ring-2.6-1T none | Inclusionai | 5 | 4.8 | $0.026 | 9/22 | 52.0s |
| #270 | Nemotron 3.5 Lightning low | NVIDIA | 14 | 4.8 | $0.140 | 5/22 | 59.8s |
| #271 | GPT-5.4 Nano none | OpenAI | 15 | 4.8 | $0.041 | 4/22 | 2.56s |
| #272 | Trinity Large Thinking high | Arcee AI | 10 | 4.8 | $0.592 | 5/22 | 75.9s |