AI BENCHY বিভাগীয় ব্যর্থতা
সমন্বিত: ভুল উত্তর
সমন্বিত
ভুল উত্তর
দেখুন সমন্বিত এ কোন AI মডেলগুলোর ভুল উত্তর হওয়ার সম্ভাবনা সবচেয়ে বেশি, যাতে দুর্বল দিক দ্রুত ধরা যায়। সাজান: প্রতিক্রিয়া সময় (গড়) ↑.
ব্যর্থতার কারণ
| র্যাঙ্ক | মডেল | কোম্পানি | ভুল উত্তর সংখ্যা | বিভাগ স্কোর | সঠিক টেস্ট | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|
| #155 | Mercury 2 none | Inception | 1 | 3.0 | 0/1 | 606ms |
| #142 | Mistral Small 4 none | Mistral | 1 | 3.0 | 0/1 | 1.72s |
| #146 | Laguna Xs.2 none | Poolside | 1 | 3.0 | 0/1 | 2.01s |
| #34 | Qwen3.7 Max none | Qwen | 1 | 3.0 | 0/1 | 2.17s |
| #143 | MiMo-V2.5 none | Xiaomi | 1 | 3.0 | 0/1 | 2.36s |
| #144 | GPT-5.4 Mini none | OpenAI | 1 | 3.0 | 0/1 | 2.52s |
| #87 | Gemini 3.1 Flash Lite minimal | 1 | 3.0 | 0/1 | 2.53s | |
| #90 | Gemini 3.1 Flash Lite none | 1 | 3.0 | 0/1 | 2.73s | |
| #152 | MiMo-V2-Flash none | Xiaomi | 1 | 3.0 | 0/1 | 2.87s |
| #125 | GPT-5.4 none | OpenAI | 1 | 3.0 | 0/1 | 2.89s |
| #58 | Gemini 3.1 Flash Lite Preview none | 1 | 3.0 | 0/1 | 3.20s | |
| #16 | Gemini 3 Flash Preview low | 1 | 3.0 | 0/1 | 3.27s | |
| #157 | Grok 4.1 Fast none | X AI | 1 | 3.0 | 0/1 | 3.33s |
| #124 | Kimi K2.6 none | Moonshot AI | 1 | 3.0 | 0/1 | 3.38s |
| #48 | Gemini 3 Flash Preview none | 1 | 4.7 | 0/1 | 3.56s |