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) ↑.
دکھائے گئے ماڈلز
15
کل ناکامیاں
2265
سب سے زیادہ متاثر ماڈل
Nemotron 3 Nano Omni 30b A3b Reasoning 9
313/313
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 | DeepSeek V4 Flash 0731 low | DeepSeek | 7 | 8.0 | $0.044 | 13/22 | 77.6s |
| #184 | Gemma 4 31B medium | 3 | 6.2 | $0.100 | 13/22 | 78.6s | |
| #107 | Kimi K2.7 Code medium | Moonshot AI | 6 | 7.4 | $0.687 | 11/22 | 80.1s |
| #17 | Grok 4.6 high | X AI | 2 | 9.3 | $1.908 | 19/22 | 84.1s |
| #192 | Qwen3.5-Flash medium | Qwen | 5 | 6.1 | $0.142 | 11/22 | 84.4s |
| #119 | DeepSeek V4 Flash 0731 medium | DeepSeek | 5 | 7.3 | $0.066 | 11/22 | 84.7s |
| #266 | Laguna S 2.1 low | Poolside | 15 | 5.0 | $0.082 | 3/22 | 85.3s |
| #194 | Trinity Large Thinking medium | Arcee AI | 8 | 6.1 | $0.756 | 8/22 | 85.4s |
| #296 | Granite 4.2 8B none | IBM Granite | 11 | 4.3 | $0.026 | 3/22 | 86.3s |
| #99 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 4 | 7.5 | $0.459 | 14/22 | 91.8s |
| #88 | DeepSeek V4 Pro high | DeepSeek | 7 | 7.7 | $0.476 | 10/22 | 92.5s |
| #138 | Seed-2.0-Mini medium | Bytedance Seed | 5 | 7.0 | $0.116 | 11/22 | 93.1s |
| #63 | Muse Glimmer 30B xhigh | Meta | 4 | 8.1 | $0.471 | 13/22 | 95.6s |
| #199 | Trinity Large Thinking low | Arcee AI | 7 | 6.0 | $0.625 | 8/22 | 96.6s |
| #139 | Kimi K2.5 medium | Moonshot AI | 5 | 7.0 | $0.479 | 10/22 | 98.2s |