Eșecuri Răspuns greșit
Vezi ce modele AI se lovesc cel mai des de Răspuns greșit, ca să identifici riscurile de fiabilitate înainte să alegi.
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) |
|---|---|---|---|---|---|---|---|
| #354 | KAT Coder AIR V2.5 low | Kwaipilot | 7 | 0.5 | $0.046 | 7/23 | 10.2s |
| #371 | Granite 4.2 8B high | IBM Granite | 7 | 0.5 | $0.111 | 4/23 | 235.4s |
| #393 | MiniMax M2.5 medium | Minimax | 7 | 0.4 | $0.440 | 5/23 | 102.3s |
| #422 | Grok Build 0.1 none | X AI | 7 | 0.3 | $0.547 | 7/19 | 28.7s |
| #429 | Nemotron 3 Nano Omni 30b A3b Reasoning medium | NVIDIA | 7 | 0.3 | $0.000 | 4/19 | 17.1s |
| #430 | d1-ultra default | Liquid | 7 | 0.3 | $0.003 | 4/12 | 531ms |
| #438 | Jev 1.14 default | Typesafe | 7 | 0.2 | $0.003 | 4/12 | 377ms |
| #59 | Pareto 26.9 default | Unbiased | 6 | 0.9 | $1.864 | 15/23 | 28.3s |
| #71 | DeepSeek V4.1 Flash max | DeepSeek | 6 | 0.9 | $1.204 | 15/23 | 61.6s |
| #98 | Qwen3.7 Plus medium | Qwen | 6 | 0.8 | $0.415 | 16/23 | 59.7s |
| #104 | Seed-2.0-Lite medium | Bytedance Seed | 6 | 0.8 | $0.271 | 14/23 | 48.9s |
| #108 | DeepSeek V4 Flash 0423 high | DeepSeek | 6 | 0.8 | $0.261 | 14/23 | 56.0s |
| #114 | Qwen3.8 Flash Next low | Qwen | 6 | 0.8 | ~$0.045 | 15/23 | 23.7s |
| #119 | GPT-5.4 Mini medium | OpenAI | 6 | 0.8 | $1.102 | 13/23 | 29.9s |
| #123 | MiMo-V2.6-Flash medium | Xiaomi | 6 | 0.8 | $0.218 | 12/23 | 61.9s |