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: کل لاگت ↑.
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) |
|---|---|---|---|---|---|---|---|
| #101 | Gemini 3.5 Flash high | 2 | 0.8 | $2.737 | 19/23 | 18.6s | |
| #187 | Claude Opus 5 none | Anthropic | 7 | 0.7 | $2.766 | 12/23 | 10.8s |
| #31 | Claude Opus 5 medium | Anthropic | 3 | 0.9 | $2.870 | 19/23 | 13.2s |
| #172 | Grok 4.7 medium | X AI | 5 | 0.7 | $2.938 | 15/23 | 117.7s |
| #131 | Qwen3.8 2.4T A95B high | Qwen | 4 | 0.8 | $2.949 | 15/23 | 120.9s |
| #270 | Claude Opus 4.6 medium | Anthropic | 4 | 0.6 | $2.961 | 13/22 | 32.2s |
| #136 | Grok 4.5 medium | X AI | 6 | 0.8 | $2.996 | 17/23 | 68.4s |
| #221 | Grok 4.7 high | X AI | 2 | 0.7 | $3.037 | 13/23 | 122.2s |
| #171 | Claude Fable 5.1 medium | Anthropic | 3 | 0.7 | $3.197 | 15/23 | 11.9s |
| #223 | Ember-1 max | Fireworks | 3 | 0.7 | $3.264 | 11/23 | 97.3s |
| #42 | Qwen3.8 Max (0902) high | Qwen | 2 | 0.9 | $3.306 | 18/23 | 186.1s |
| #281 | Claude Fable 5.1 low | Anthropic | 4 | 0.6 | $3.395 | 11/23 | 11.4s |
| #37 | Muse Wonder medium | Meta | 2 | 0.9 | $3.397 | 17/23 | 21.6s |
| #217 | Grok 4.7 xhigh | X AI | 3 | 0.7 | $3.398 | 14/23 | 124.0s |
| #143 | Muse Wonder high | Meta | 2 | 0.8 | $3.426 | 15/23 | 23.0s |