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) |
|---|---|---|---|---|---|---|---|
| #115 | Mimo V2 PRO medium | Xiaomi | 5 | 6.3 | $0.333 | 12/21 | 22.2s |
| #119 | MiMo-V2-Flash medium | Xiaomi | 5 | 6.3 | $0.043 | 12/21 | 20.1s |
| #149 | Gemini 3.1 Flash Lite high | 4 | 5.6 | $2.044 | 10/18 | 62.0s | |
| #29 | GPT-5 Mini medium | OpenAI | 5 | 8.1 | $0.237 | 12/22 | 27.6s |
| #30 | Muse Spark 1.1 high | Meta | 4 | 8.1 | $1.694 | 12/22 | 31.5s |
| #51 | MiniMax M3 medium | Minimax | 3 | 7.6 | $0.286 | 12/22 | 75.0s |
| #56 | Kimi K2.7 Code medium | Moonshot AI | 5 | 7.5 | $0.740 | 12/22 | 84.2s |
| #57 | GPT-5.4 Nano medium | OpenAI | 8 | 7.5 | $0.138 | 12/22 | 13.2s |
| #60 | GPT-5.4 Mini medium | OpenAI | 6 | 7.5 | $0.756 | 12/22 | 25.9s |
| #64 | LongCat 2.0 medium | Meituan | 7 | 7.4 | $0.478 | 12/22 | 136.6s |
| #67 | Claude Sonnet 4.6 none | Anthropic | 5 | 7.3 | $0.661 | 12/22 | 8.12s |
| #71 | Step 3.7 Flash low | Stepfun | 8 | 7.3 | $0.454 | 12/22 | 20.7s |
| #72 | Kimi K2.6 medium | Moonshot AI | 3 | 7.2 | $1.036 | 12/22 | 110.0s |
| #79 | Grok 4.20 medium | X AI | 6 | 7.1 | $0.777 | 12/22 | 29.5s |
| #88 | MiMo-V2.5-Pro medium | Xiaomi | 3 | 6.9 | $0.187 | 12/22 | 33.9s |