答案错误失败排名

看看哪些 AI 模型最常遇到答案错误，让你在选择前先发现稳定性风险。排序方式: 总成本 ↑.

显示的模型数

失败总数

1585

受影响最多的模型

分类

在分类领域专项中421 在分类反AI技巧中293 在分类编程中259 在分类谜题求解中204 在分类常识问答中172 在分类综合中69 在分类通用智能中62 在分类指令遵循中61 在分类数据解析与提取中41 在分类工具调用中3

215/215

排名	模型	公司	答案错误次数	分数	总成本	测试正确	响应时间（平均）
#169	Gemini 3.1 Flash Lite Preview high	Google	2	5.3	$2.310	13/16	68.1s
总测试数 16 错误测试数 3 总成本 $2.310 响应时间（平均） 68.1s
#47	Claude Opus 4.6 medium	Anthropic	3	7.7	$3.059	13/22	34.3s
总测试数 22 错误测试数 9 总成本 $3.059 响应时间（平均） 34.3s
#20	Claude Fable 5 medium	Anthropic	2	8.6	$3.478	17/22	17.2s
总测试数 22 错误测试数 5 总成本 $3.478 响应时间（平均） 17.2s
#13	GPT-5.5 medium	OpenAI	4	9.0	$4.137	18/22	38.4s
总测试数 22 错误测试数 4 总成本 $4.137 响应时间（平均） 38.4s
#187	Grok 4.20 Multi Agent Beta medium	X AI	4	4.8	$5.599	8/18	9.69s
总测试数 18 错误测试数 10 总成本 $5.599 响应时间（平均） 9.69s

答案错误失败