Clasament al eșecurilor pentru 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 ↓.

Modele afișate

Eșecuri totale

3172

Modelul cel mai afectat

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

Rang	Model	Companie	Număr de Răspuns greșit	Scor	Cost total	Teste corecte	Timp de răspuns (mediu)
#440	Clef Omni default	Cloudflare	9	0.2	$0.011	2/12	880ms
Total teste 12 Teste greșite 10 Cost total $0.011 Timp de răspuns (mediu) 880ms
#441	Decider Flash V1.2 default	Perplexity	9	0.2	$0.001	3/12	462ms
Total teste 12 Teste greșite 9 Cost total $0.001 Timp de răspuns (mediu) 462ms
#442	Step 3.5 Flash none	Stepfun	1	0.2	$0.020	6/12	39.0s
Total teste 12 Teste greșite 6 Cost total $0.020 Timp de răspuns (mediu) 39.0s
#443	D1 default	Liquid	10	0.2	$0.003	2/12	508ms
Total teste 12 Teste greșite 10 Cost total $0.003 Timp de răspuns (mediu) 508ms
#445	LFM2-24B-A2B default	Liquid	9	0.2	$0.001	2/16	782ms
Total teste 16 Teste greșite 14 Cost total $0.001 Timp de răspuns (mediu) 782ms
#446	Solar Decide Flash default	Upstage	4	0.2	$0.003	3/7	1.33s
Total teste 7 Teste greșite 4 Cost total $0.003 Timp de răspuns (mediu) 1.33s
#447	Microsoft-Decision-1 default	Microsoft	11	0.1	$0.002	1/12	982ms
Total teste 12 Teste greșite 11 Cost total $0.002 Timp de răspuns (mediu) 982ms
#448	Solar Decide default	Upstage	5	0.1	$0.009	2/7	6.01s
Total teste 7 Teste greșite 5 Cost total $0.009 Timp de răspuns (mediu) 6.01s

Eșecuri Răspuns greșit