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: 测试正确 ↑.

显示的模型数

失败总数

3172

受影响最多的模型

Command A+ 1

分类

在分类领域专项中893 在分类反AI技巧中519 在分类编程中484 在分类谜题求解中352 在分类常识问答中315 在分类通用智能中134 在分类智能体任务中128 在分类综合中128 在分类指令遵循中117 在分类数据解析与提取中93

443/443

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）
#114	Qwen3.8 Flash Next low	Qwen	6	0.8	~$0.045	15/23	23.7s
总测试数 23 错误测试数 8 总成本 ~$0.045 响应时间（平均） 23.7s
#117	GLM 5.3 FlashX max	Z.ai	2	0.8	$0.623	15/23	44.0s
总测试数 23 错误测试数 8 总成本 $0.623 响应时间（平均） 44.0s
#122	Qwen3.8 2.4T A95B high	Qwen	4	0.8	$2.949	15/23	120.9s
总测试数 23 错误测试数 8 总成本 $2.949 响应时间（平均） 120.9s
#125	Ling 3.1 Flash high	Inclusionai	2	0.8	$0.000	15/23	87.4s
总测试数 23 错误测试数 8 总成本 $0.000 响应时间（平均） 87.4s
#134	Muse Wonder high	Meta	2	0.8	$3.426	15/23	23.0s
总测试数 23 错误测试数 8 总成本 $3.426 响应时间（平均） 23.0s
#135	GPT-6 Luna high	OpenAI	6	0.8	$0.074	15/23	20.4s
总测试数 23 错误测试数 8 总成本 $0.074 响应时间（平均） 20.4s
#143	Qwen3.8 Flash Next medium	Qwen	6	0.8	~$0.047	15/23	24.8s
总测试数 23 错误测试数 8 总成本 ~$0.047 响应时间（平均） 24.8s
#145	Qwen3.8 27B low	Qwen	5	0.8	~$0.089	15/23	46.6s
总测试数 23 错误测试数 8 总成本 ~$0.089 响应时间（平均） 46.6s
#159	Inkling medium	Thinkingmachines	5	0.7	$0.527	15/23	17.0s
总测试数 23 错误测试数 8 总成本 $0.527 响应时间（平均） 17.0s
#162	Claude Fable 5.1 medium	Anthropic	3	0.7	$3.197	15/23	11.9s
总测试数 23 错误测试数 8 总成本 $3.197 响应时间（平均） 11.9s
#163	Grok 4.7 medium	X AI	5	0.7	$2.938	15/23	117.7s
总测试数 23 错误测试数 8 总成本 $2.938 响应时间（平均） 117.7s
#164	Gemini 2.5 Flash medium	Google	6	0.7	$0.680	15/23	20.5s
总测试数 23 错误测试数 8 总成本 $0.680 响应时间（平均） 20.5s
#166	Qwen3.6 Plus medium	Qwen	6	0.7	$0.554	15/23	57.4s
总测试数 23 错误测试数 8 总成本 $0.554 响应时间（平均） 57.4s
#191	Grok 4.6 low	X AI	8	0.7	$0.781	15/23	16.4s
总测试数 23 错误测试数 8 总成本 $0.781 响应时间（平均） 16.4s
#204	Mercury 2.5 Preview medium	Inception	4	0.7	$0.039	15/23	6.66s
总测试数 23 错误测试数 8 总成本 $0.039 响应时间（平均） 6.66s

答案错误失败

筛选模型

按答案错误次数排名的顶级模型

答案错误次数对比分数

按响应时间（平均）排名的顶级模型

答案错误 失败

筛选模型

按 答案错误 次数 排名的顶级模型

答案错误 次数 对比 分数

按 响应时间（平均） 排名的顶级模型

答案错误失败

按答案错误次数排名的顶级模型

答案错误次数对比分数

按响应时间（平均）排名的顶级模型