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: اسکور ↓.
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) |
|---|---|---|---|---|---|---|---|
| #64 | Pareto 26.9 default | Unbiased | 6 | 0.9 | $1.864 | 15/23 | 28.3s |
| #65 | Kimi K3.1 Pro low | Moonshot AI | 5 | 0.9 | $1.836 | 17/23 | 47.5s |
| #66 | Qwen3.8 MAX low | Qwen | 5 | 0.9 | $1.089 | 17/23 | 25.1s |
| #67 | GPT-5.4 medium | OpenAI | 5 | 0.9 | $2.213 | 16/23 | 24.8s |
| #68 | Muse Spark Open medium | Meta | 3 | 0.9 | $1.260 | 15/23 | 77.4s |
| #69 | DeepSeek V4.1 Flash high | DeepSeek | 5 | 0.9 | $0.617 | 16/23 | 33.3s |
| #70 | DeepSeek V4.1 Flash medium | DeepSeek | 5 | 0.9 | $0.591 | 16/23 | 32.9s |
| #71 | Kimi K3.1 Pro max | Moonshot AI | 2 | 0.9 | $3.578 | 17/23 | 152.7s |
| #72 | Muse Spark 1.2 low | Meta | 4 | 0.9 | $0.881 | 16/23 | 11.8s |
| #73 | GPT-5.2 medium | OpenAI | 3 | 0.9 | $1.558 | 15/23 | 31.3s |
| #74 | Qwen3.8 27B high | Qwen | 2 | 0.9 | ~$0.298 | 17/23 | 166.3s |
| #75 | MiMo-V2.6-Pro medium | Xiaomi | 3 | 0.9 | $0.586 | 14/23 | 148.1s |
| #76 | Seed 2.1 Turbo medium | Bytedance Seed | 5 | 0.9 | $2.042 | 16/23 | 189.1s |
| #77 | GPT-6 Sol low | OpenAI | 5 | 0.9 | $0.477 | 18/23 | 8.72s |
| #78 | DeepSeek V4.1 Flash max | DeepSeek | 6 | 0.9 | $1.204 | 15/23 | 61.6s |