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 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) |
|---|---|---|---|---|---|---|---|
| #231 | Mercury 2.5 high | Inception | 9 | 0.6 | $0.044 | 12/23 | 7.62s |
| #230 | Mercury 2.5 Preview high | Inception | 6 | 0.6 | $0.040 | 12/23 | 7.61s |
| #115 | GPT-5.6 Terra low | OpenAI | 8 | 0.8 | $0.435 | 14/23 | 7.58s |
| #171 | Gemini 3.8 Flash low | 6 | 0.7 | $0.323 | 16/23 | 7.54s | |
| #200 | Claude Opus 4.8 none | Anthropic | 5 | 0.7 | $2.334 | 13/23 | 7.54s |
| #75 | Claude Haiku 5.5 low | Anthropic | 3 | 0.9 | $0.061 | 16/23 | 7.51s |
| #287 | Seed-2.0-Lite none | Bytedance Seed | 14 | 0.6 | $0.114 | 8/23 | 7.49s |
| #199 | Claude Sonnet 5.5 low | Anthropic | 1 | 0.7 | $0.909 | 10/23 | 7.46s |
| #184 | GPT-5.2 Chat default | OpenAI | 6 | 0.7 | $0.594 | 13/23 | 7.43s |
| #180 | GLM 5.3 FlashX medium | Z.ai | 8 | 0.7 | $0.114 | 12/23 | 7.37s |
| #307 | Gemma 4 31B none | 11 | 0.6 | $0.031 | 9/23 | 7.28s | |
| #16 | GPT-6.1 Sol low | OpenAI | 2 | 1.0 | $0.460 | 21/23 | 7.15s |
| #386 | Nemotron 3 Super none | NVIDIA | 16 | 0.4 | $0.016 | 5/23 | 7.11s |
| #367 | Mercury 2.5 Preview default | Inception | 16 | 0.5 | $0.023 | 4/23 | 7.05s |
| #14 | GPT-6 Astra low | OpenAI | 2 | 1.0 | $2.160 | 21/23 | 7.01s |