غلط جواب ناکامیاں
دیکھیں کہ کن AI ماڈلز میں غلط جواب سب سے زیادہ ہوتا ہے، تاکہ آپ انتخاب سے پہلے قابلِ اعتماد ہونے کے خطرات سمجھ سکیں۔ ترتیب دیں حسب: ردِعمل کا وقت (اوسط) ↑.
453/453
ماڈلز فلٹر کریں
موجودہ تلاش اور فلٹرز سے کوئی ماڈل مطابقت نہیں رکھتا۔
| درجہ | ماڈل | کمپنی | غلط جواب کی تعداد | اسکور | کل لاگت | درست ٹیسٹس | ردِعمل کا وقت (اوسط) |
|---|---|---|---|---|---|---|---|
| #66 | Qwen3.8 MAX low | Qwen | 5 | 0.9 | $1.089 | 17/23 | 25.1s |
| #30 | Claude Opus 5 high | Anthropic | 2 | 0.9 | $4.524 | 19/23 | 25.3s |
| #26 | Claude Opus 5.5 low | Anthropic | 2 | 0.9 | $1.733 | 19/23 | 25.7s |
| #36 | Claude Opus 5.5 medium | Anthropic | 2 | 0.9 | $1.804 | 20/23 | 25.9s |
| #325 | Kimi K2.6 none | Moonshot AI | 13 | 0.5 | $0.486 | 6/23 | 26.3s |
| #219 | Qwen3.5-Flash none | Qwen | 14 | 0.7 | $0.089 | 8/23 | 26.5s |
| #138 | Step 3.7 Flash medium | Stepfun | 6 | 0.8 | $0.571 | 13/23 | 26.6s |
| #110 | GLM 5.2 medium | Z.ai | 3 | 0.8 | $1.007 | 16/22 | 26.9s |
| #62 | Muse Spark 1.1 medium | Meta | 4 | 0.9 | $1.665 | 16/23 | 27.0s |
| #40 | Qwen3.8 MAX medium | Qwen | 4 | 0.9 | $1.181 | 18/23 | 27.3s |
| #279 | DeepSeek V4 Flash 0731 none | DeepSeek | 13 | 0.6 | $0.053 | 5/23 | 27.4s |
| #28 | Claude Opus 5.5 high | Anthropic | 2 | 0.9 | $2.133 | 19/23 | 27.6s |
| #118 | DeepSeek V4.1 Flash low | DeepSeek | 7 | 0.8 | $0.494 | 15/23 | 28.0s |
| #251 | Claude Sonnet 4.6 medium | Anthropic | 4 | 0.6 | $2.126 | 14/22 | 28.1s |
| #60 | Muse Spark 1.2 high | Meta | 4 | 0.9 | $2.018 | 15/23 | 28.1s |