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) |
|---|---|---|---|---|---|---|---|
| #289 | gpt-oss-120b medium | OpenAI | 10 | 0.6 | $0.030 | 9/23 | 31.6s |
| #290 | Gemini 3.1 Flash Lite none | 12 | 0.6 | $0.069 | 9/23 | 3.58s | |
| #307 | Gemma 4 31B none | 11 | 0.6 | $0.031 | 9/23 | 7.28s | |
| #320 | Gemma 4 26B A4B none | 10 | 0.5 | $0.031 | 9/23 | 10.5s | |
| #324 | Qwen3.8 27B none | Qwen | 12 | 0.5 | ~$0.010 | 9/23 | 5.05s |
| #337 | Inkling Small low | Thinkingmachines | 9 | 0.5 | $0.055 | 9/23 | 1.99s |
| #384 | Ring 2.6 1t default | Inclusionai | 5 | 0.4 | $0.026 | 9/23 | 48.9s |
| #376 | GLM 5V Turbo none | Z.ai | 11 | 0.5 | $0.052 | 8/21 | 2.99s |
| #379 | Owl Alpha medium | Openrouter | 10 | 0.5 | $0.000 | 8/21 | 11.9s |
| #385 | Mimo V2 Omni default | Xiaomi | 10 | 0.4 | $0.021 | 8/21 | 2.44s |
| #422 | Grok Build 0.1 none | X AI | 7 | 0.3 | $0.547 | 7/19 | 28.7s |
| #210 | Qwen3.5-Flash none | Qwen | 14 | 0.7 | $0.089 | 8/23 | 26.5s |
| #251 | LongCat 2.0 none | Meituan | 13 | 0.6 | $0.104 | 8/23 | 8.50s |
| #253 | Qwen3.6 27B none | Qwen | 11 | 0.6 | $0.148 | 8/23 | 12.7s |
| #256 | Minimax M3.1 Flash medium | Minimax | 9 | 0.6 | $0.000 | 8/23 | 19.5s |