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 domeniului421 În categoria Trucuri anti-AI293 În categoria Programare259 În categoria Rezolvare de puzzle-uri204 În categoria Cultură generală172 În categoria Combinat69 În categoria Inteligență generală62 În categoria Respectarea instrucțiunilor61 În categoria Parsare și extragere de date41 În categoria Apelare instrumente3
215/215
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) |
|---|---|---|---|---|---|---|---|
| #47 | Claude Opus 4.6 medium | Anthropic | 3 | 7.7 | $3.059 | 13/22 | 34.3s |
| #49 | DeepSeek V4 Flash high | DeepSeek | 6 | 7.7 | $0.041 | 13/22 | 49.7s |
| #55 | Nemotron 3 Ultra medium | NVIDIA | 7 | 7.5 | $0.774 | 13/22 | 32.2s |
| #58 | GPT-5.3 Chat none | OpenAI | 7 | 7.5 | $0.571 | 13/22 | 6.88s |
| #59 | GPT-5.6 Terra low | OpenAI | 8 | 7.5 | $0.519 | 13/22 | 5.31s |
| #62 | Qwen3.5-27B medium | Qwen | 4 | 7.4 | $1.627 | 13/22 | 111.9s |
| #68 | Gemini 3.1 Flash Lite Preview medium | 7 | 7.3 | $0.115 | 13/22 | 4.61s | |
| #69 | Gemini 3.1 Flash Lite medium | 7 | 7.3 | $0.117 | 13/22 | 4.27s | |
| #70 | Claude Opus 4.8 none | Anthropic | 4 | 7.3 | $1.166 | 13/22 | 4.91s |
| #74 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 8 | 7.2 | $0.317 | 13/22 | 46.4s |
| #77 | Grok 4.3 medium | X AI | 5 | 7.1 | $0.779 | 13/22 | 47.4s |
| #78 | GLM 5.1 medium | Z.ai | 4 | 7.1 | $0.535 | 13/22 | 46.8s |
| #93 | Gemini 3 Flash Preview none | 8 | 6.8 | $0.085 | 13/22 | 2.95s | |
| #94 | Qwen3.6 35B A3B medium | Qwen | 4 | 6.7 | $0.746 | 13/22 | 58.1s |
| #110 | Gemini 3.1 Flash Lite Preview low | 7 | 6.5 | $0.646 | 13/22 | 16.7s |