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: Cost total ↓.
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) |
|---|---|---|---|---|---|---|---|
| #367 | Mercury 2.5 Preview default | Inception | 16 | 0.5 | $0.023 | 4/23 | 7.05s |
| #310 | Solar Pro 4 none | Upstage | 14 | 0.6 | $0.022 | 7/23 | 8.14s |
| #385 | Mimo V2 Omni default | Xiaomi | 10 | 0.4 | $0.021 | 8/21 | 2.44s |
| #299 | Ling 3.0 Flash high | Inclusionai | 7 | 0.6 | $0.021 | 12/23 | 13.1s |
| #442 | Step 3.5 Flash none | Stepfun | 1 | 0.2 | $0.020 | 6/12 | 39.0s |
| #345 | Mercury 2.5 low | Inception | 14 | 0.5 | $0.020 | 6/23 | 3.34s |
| #335 | Laguna XS 2.1 none | Poolside | 14 | 0.5 | $0.020 | 5/23 | 4.56s |
| #318 | Gemini 2.5 Flash none | 13 | 0.5 | $0.017 | 8/23 | 6.00s | |
| #386 | Nemotron 3 Super none | NVIDIA | 16 | 0.4 | $0.016 | 5/23 | 7.11s |
| #395 | gpt-oss-120b none | OpenAI | 9 | 0.4 | $0.016 | 6/20 | 28.6s |
| #360 | Ling 2.6 1t default | Inclusionai | 12 | 0.5 | $0.016 | 4/23 | 8.16s |
| #350 | Mercury 2.5 Preview low | Inception | 13 | 0.5 | $0.015 | 6/23 | 4.92s |
| #418 | Laguna Xs.2 medium | Poolside | 6 | 0.3 | $0.015 | 6/19 | 6.73s |
| #295 | Qwen3.8 Flash Next none | Qwen | 14 | 0.6 | ~$0.011 | 8/23 | 5.71s |
| #440 | Clef Omni default | Cloudflare | 9 | 0.2 | $0.011 | 2/12 | 880ms |