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 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) |
|---|---|---|---|---|---|---|---|
| #304 | Mistral Large 4 none | Mistral | 15 | 0.6 | $0.290 | 6/23 | 20.4s |
| #305 | Seed 2.1 Turbo none | Bytedance Seed | 12 | 0.6 | $0.182 | 10/23 | 9.65s |
| #306 | Dots 3 Note Preview medium | Dots Studio | 10 | 0.6 | $0.000 | 8/23 | 70.3s |
| #307 | Gemma 4 31B none | 11 | 0.6 | $0.031 | 9/23 | 7.28s | |
| #308 | Space Bunny Alpha low | Stealth | 13 | 0.6 | $0.000 | 8/23 | 30.6s |
| #309 | GPT-5.4 none | OpenAI | 15 | 0.6 | $0.690 | 7/23 | 3.89s |
| #310 | Solar Pro 4 none | Upstage | 14 | 0.6 | $0.022 | 7/23 | 8.14s |
| #311 | Step 5 Preview low | Stepfun | 2 | 0.6 | $4.110 | 10/23 | 138.3s |
| #312 | GLM 5 none | Z.ai | 13 | 0.6 | $0.140 | 9/22 | 8.74s |
| #313 | Qwen3.5-35B-A3B none | Qwen | 14 | 0.6 | $0.120 | 6/23 | 18.3s |
| #314 | Nemotron 3.5 Super VL none | NVIDIA | 11 | 0.6 | $0.040 | 8/23 | 47.0s |
| #315 | Nemotron 3 Super medium | NVIDIA | 6 | 0.6 | $0.081 | 8/23 | 56.4s |
| #316 | Kimi K2.6 none | Moonshot AI | 13 | 0.5 | $0.486 | 6/23 | 26.3s |
| #317 | Ling 3.1 Flash none | Inclusionai | 9 | 0.5 | $0.000 | 5/23 | 15.7s |
| #318 | Gemini 2.5 Flash none | 13 | 0.5 | $0.017 | 8/23 | 6.00s |