AI BENCHY
তুলনা করুন চার্ট Poddhoti
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY বিভাগীয় ব্যর্থতা

ডোমেইন-নির্দিষ্ট
ভুল উত্তর

দেখুন ডোমেইন-নির্দিষ্ট এ কোন AI মডেলগুলোর ভুল উত্তর হওয়ার সম্ভাবনা সবচেয়ে বেশি, যাতে দুর্বল দিক দ্রুত ধরা যায়। সাজান: সঠিক টেস্ট ↓.

দেখানো মডেল

53

মোট ব্যর্থতা

98

সবচেয়ে বেশি প্রভাবিত মডেল

Gemini 3.1 Pro Preview 1
র‍্যাঙ্ক মডেল কোম্পানি ভুল উত্তর সংখ্যা বিভাগ স্কোর সঠিক টেস্ট প্রতিক্রিয়া সময় (গড়)
#2 Gemini 3.1 Pro Preview medium Google 1 7.0 2/3 32.7s
#20 Gemini 3 Flash Preview none Google 1 7.0 2/3 963ms
#25 Claude Sonnet 4.6 none Anthropic 1 7.0 2/3 3.54s
#37 Qwen3.5-Flash none Qwen 1 7.0 2/3 905ms
#42 Qwen3.5-35B-A3B none Qwen 1 7.0 2/3 485ms
#49 GLM 4.7 Flash none Z.ai 1 7.0 2/3 744ms
#3 GPT-5.3-Codex medium OpenAI 2 4.0 1/3 64.3s
#4 Qwen3.5 Plus 2026-02-15 medium Qwen 1 4.0 1/3 17.5s
#5 Gemini 3 Flash Preview low Google 2 4.0 1/3 8.05s
#6 Gemini 3 Pro Preview medium Google 2 4.0 1/3 7.01s
#7 Qwen3.5-27B medium Qwen 1 4.0 1/3 79.5s
#8 Gemini 3.1 Flash Lite Preview high Google 2 4.0 1/3 127.6s
#9 GPT-5.4 medium OpenAI 2 4.0 1/3 74.3s
#13 Step 3.5 Flash medium Stepfun 2 4.0 1/3 170.5s
#15 GPT-5.2 Chat none OpenAI 2 4.0 1/3 17.8s
#16 Gemini 2.5 Flash medium Google 2 4.0 1/3 37.3s
#17 Gemini 3.1 Flash Lite Preview low Google 2 4.0 1/3 2.36s
#18 DeepSeek V3.2 medium DeepSeek 1 4.0 1/3 39.3s
#21 MiMo-V2-Flash medium Xiaomi 2 4.0 1/3 96.0s
#22 Gemini 3.1 Flash Lite Preview none Google 2 4.0 1/3 942ms
#24 Qwen3.5-Flash medium Qwen 1 4.0 1/3 146.5s
#27 GPT-5.2 medium OpenAI 1 4.0 1/3 77.8s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 2 4.0 1/3 1.17s
#30 Grok 4.1 Fast medium X AI 1 4.0 1/3 121.8s
#34 GPT-5 Nano medium OpenAI 1 4.0 1/3 204.0s
#38 Gemini 2.5 Flash none Google 2 4.0 1/3 495ms
#40 Qwen3.5-122B-A10B none Qwen 2 4.0 1/3 465ms
#44 GPT-5.4 none OpenAI 2 4.0 1/3 1.07s
#45 Trinity Large Preview none Arcee AI 2 4.0 1/3 877ms
#46 Kimi K2.5 none Moonshot AI 2 4.0 1/3 4.38s
#48 Qwen3 Coder Next none Qwen 2 4.0 1/3 962ms
#50 Qwen3 Coder Next medium Qwen 2 4.0 1/3 638ms
#51 Mercury 2 none Inception 2 4.0 1/3 534ms
#53 Grok 4.1 Fast none X AI 2 4.0 1/3 1.06s
#54 MiMo-V2-Flash none Xiaomi 2 4.0 1/3 564ms
#55 LFM2-24B-A2B none Liquid 1 4.0 1/3 287ms
#10 Qwen3.5-122B-A10B medium Qwen 3 10.0 0/3 63.4s
#11 Claude Sonnet 4.6 medium Anthropic 1 10.0 0/3 0ms
#12 Gemini 3.1 Flash Lite Preview medium Google 3 10.0 0/3 4.21s
#14 GLM 5 medium Z.ai 2 10.0 0/3 0ms
#19 GPT-5.3 Chat none OpenAI 3 10.0 0/3 13.0s
#26 Claude Opus 4.6 medium Anthropic 1 10.0 0/3 83.4s
#28 Kimi K2.5 medium Moonshot AI 2 10.0 0/3 137.3s
#31 GLM 5 none Z.ai 3 10.0 0/3 2.24s
#32 GPT-5 Mini medium OpenAI 2 10.0 0/3 44.6s
#33 DeepSeek V3.2 none DeepSeek 3 10.0 0/3 1.61s
#35 Qwen3.5-35B-A3B medium Qwen 1 10.0 0/3 88.3s
#36 Mercury 2 medium Inception 3 10.0 0/3 6.48s
#39 gpt-oss-120b medium OpenAI 3 10.0 0/3 50.9s
#41 Qwen3.5-27B none Qwen 3 10.0 0/3 540ms
#43 MiniMax M2.5 medium Minimax 2 10.0 0/3 237.3s
#47 GPT-4o-mini none OpenAI 3 10.0 0/3 637ms
#52 GLM 4.7 Flash medium Z.ai 2 10.0 0/3 174.6s

ভুল উত্তর সংখ্যা অনুযায়ী শীর্ষ মডেল

ভুল উত্তর সংখ্যা বনাম গড় স্কোর

প্রতিক্রিয়া সময় (গড়) অনুযায়ী শীর্ষ মডেল

আনুমানিক অপচয় হওয়া খরচ অনুযায়ী শীর্ষ মডেল