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: Timp de răspuns (mediu) ↓.
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) |
|---|---|---|---|---|---|---|---|
| #209 | GPT-5.4 none | OpenAI | 14 | 5.8 | $0.397 | 7/22 | 2.08s |
| #214 | Inkling Small low | Thinkingmachines | 9 | 5.7 | $0.055 | 9/22 | 2.07s |
| #263 | GPT-4o-mini none | OpenAI | 15 | 5.0 | $0.010 | 5/22 | 1.92s |
| #182 | Gemini 3.1 Flash Lite minimal | 8 | 6.1 | $0.047 | 10/22 | 1.85s | |
| #186 | Gemini 3.1 Flash Lite none | 11 | 6.1 | $0.046 | 9/22 | 1.75s | |
| #197 | GPT-5.6 Terra none | OpenAI | 11 | 6.0 | $0.280 | 8/22 | 1.66s |
| #303 | Grok 4.1 Fast none | X AI | 13 | 3.8 | $0.008 | 3/19 | 1.62s |
| #207 | GPT-5.4 Mini none | OpenAI | 13 | 5.9 | $0.095 | 6/22 | 1.58s |
| #168 | Gemini 3.1 Flash Lite Preview none | 7 | 6.4 | $0.052 | 12/22 | 1.56s | |
| #242 | Laguna XS 2.1 none | Poolside | 14 | 5.3 | $0.008 | 5/22 | 1.55s |
| #241 | Inkling Small none | Thinkingmachines | 15 | 5.3 | $0.054 | 5/22 | 1.51s |
| #236 | GPT-5.6 Luna none | OpenAI | 14 | 5.4 | $0.029 | 6/22 | 1.50s |
| #298 | Granite 4.1 8B none | IBM Granite | 13 | 4.0 | $0.007 | 2/22 | 1.44s |
| #260 | Mercury 2.5 Preview low | Inception | 12 | 5.0 | $0.011 | 6/22 | 1.31s |
| #290 | Elephant Alpha medium | Openrouter | 9 | 4.3 | $0.000 | 6/21 | 1.27s |