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) |
|---|---|---|---|---|---|---|---|
| #409 | Ling 3.0 Tiny low | Inclusionai | 5 | 0.4 | $0.000 | 4/23 | 63.2s |
| #410 | Ling 3.0 Tiny medium | Inclusionai | 5 | 0.4 | $0.000 | 4/23 | 65.0s |
| #411 | Grok 4.20 Beta default | X AI | 10 | 0.4 | $0.087 | 6/18 | 1.19s |
| #412 | Laguna M.1 default | Poolside | 10 | 0.4 | $0.009 | 4/19 | 2.89s |
| #413 | Elephant Alpha default | Openrouter | 9 | 0.4 | $0.000 | 5/21 | 1.22s |
| #414 | Elephant Alpha medium | Openrouter | 9 | 0.4 | $0.000 | 6/21 | 1.27s |
| #415 | Hunter Alpha default | OpenRouter | 9 | 0.3 | $0.000 | 6/18 | 4.70s |
| #416 | Grok 4.20 none | X AI | 10 | 0.3 | $0.057 | 6/18 | 1.11s |
| #417 | Command A+ medium | Cohere | 1 | 0.3 | $0.064 | 0/23 | 91.7s |
| #418 | Laguna Xs.2 medium | Poolside | 6 | 0.3 | $0.015 | 6/19 | 6.73s |
| #419 | Hy3 preview none | Tencent | 8 | 0.3 | $0.007 | 4/21 | 12.9s |
| #420 | MiMo-V2-Flash default | Xiaomi | 13 | 0.3 | $0.025 | 4/21 | 2.76s |
| #421 | Xing4.0 29b A4b none | Xingchen AGI | 13 | 0.3 | $0.000 | 0/23 | 42.7s |
| #422 | Grok Build 0.1 none | X AI | 7 | 0.3 | $0.547 | 7/19 | 28.7s |
| #423 | Command A+ high | Cohere | 1 | 0.3 | $0.079 | 0/23 | 90.0s |