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: 分数 ↓.

显示的模型数

失败总数

3172

受影响最多的模型

Gemini 3.6 Flash 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）
#140	Qwen3.7 Flash low	Qwen	7	0.8	$0.071	12/23	41.0s
总测试数 23 错误测试数 11 总成本 $0.071 响应时间（平均） 41.0s
#141	Muse Glimmer 30B medium	Meta	9	0.8	$0.288	12/23	34.0s
总测试数 23 错误测试数 11 总成本 $0.288 响应时间（平均） 34.0s
#142	Muse Wonder xhigh	Meta	3	0.8	$4.012	14/23	34.4s
总测试数 23 错误测试数 9 总成本 $4.012 响应时间（平均） 34.4s
#450	Nimble v3 9B default	Bespoke Labs	5	0.8	~$0.001	1/7	363ms
总测试数 7 错误测试数 6 总成本 ~$0.001 响应时间（平均） 363ms
#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
#144	GPT-6 Luna low	OpenAI	7	0.8	$0.033	12/23	23.2s
总测试数 23 错误测试数 11 总成本 $0.033 响应时间（平均） 23.2s
#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
#146	Space Bunny Alpha high	Stealth	10	0.8	$0.000	13/23	29.4s
总测试数 23 错误测试数 10 总成本 $0.000 响应时间（平均） 29.4s
#147	GLM 5.1 medium	Z.ai	5	0.8	$1.546	13/23	66.4s
总测试数 23 错误测试数 10 总成本 $1.546 响应时间（平均） 66.4s
#148	Seed-2.0-Mini medium	Bytedance Seed	5	0.8	$0.140	12/23	91.7s
总测试数 23 错误测试数 11 总成本 $0.140 响应时间（平均） 91.7s
#149	Mistral Large 4 high	Mistral	6	0.8	$1.391	12/23	263.7s
总测试数 23 错误测试数 11 总成本 $1.391 响应时间（平均） 263.7s
#150	Seed-2.0-Code high	Bytedance Seed	6	0.7	$1.448	12/23	124.9s
总测试数 23 错误测试数 11 总成本 $1.448 响应时间（平均） 124.9s
#151	GPT-5.6 Luna medium	OpenAI	9	0.7	$0.065	13/23	9.64s
总测试数 23 错误测试数 10 总成本 $0.065 响应时间（平均） 9.64s
#152	Qwen3.6 Flash medium	Qwen	8	0.7	$0.783	13/23	45.5s
总测试数 23 错误测试数 10 总成本 $0.783 响应时间（平均） 45.5s
#153	DeepSeek V4 Flash 0731 low	DeepSeek	8	0.7	$0.306	13/23	88.1s
总测试数 23 错误测试数 10 总成本 $0.306 响应时间（平均） 88.1s

←

1 9 10 11 30

→

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