AI BENCHY বিভাগীয় ব্যর্থতা
ডোমেইন-নির্দিষ্ট: ভুল উত্তর
ডোমেইন-নির্দিষ্ট
ভুল উত্তর
দেখুন ডোমেইন-নির্দিষ্ট এ কোন AI মডেলগুলোর ভুল উত্তর হওয়ার সম্ভাবনা সবচেয়ে বেশি, যাতে দুর্বল দিক দ্রুত ধরা যায়।
ব্যর্থতার কারণ
| র্যাঙ্ক | মডেল | কোম্পানি | ভুল উত্তর সংখ্যা | বিভাগ স্কোর | সঠিক টেস্ট | প্রতিক্রিয়া সময় (গড়) |
|---|---|---|---|---|---|---|
| #9 | GPT-5.5 medium | OpenAI | 2 | 5.3 | 1/3 | 164.1s |
| #10 | Claude Opus 4.8 medium | Anthropic | 2 | 5.3 | 1/3 | 14.2s |
| #12 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | 1/3 | 127.6s | |
| #13 | Grok 4.20 Beta medium | X AI | 2 | 5.3 | 1/3 | 21.3s |
| #15 | GPT-5.3-Codex medium | OpenAI | 2 | 5.9 | 1/3 | 64.3s |
| #16 | Gemini 3 Flash Preview low | 2 | 5.3 | 1/3 | 8.05s | |
| #17 | GLM 5 medium | Z.ai | 2 | 3.5 | 0/3 | 0ms |
| #19 | Seed-2.0-Lite medium | Bytedance Seed | 2 | 5.9 | 1/3 | 88.7s |
| #21 | GPT-5.4 medium | OpenAI | 2 | 5.3 | 1/3 | 74.3s |
| #23 | GLM 5 Turbo medium | Z.ai | 2 | 2.9 | 0/3 | 71.1s |
| #24 | GPT-5.2 Chat none | OpenAI | 2 | 5.3 | 1/3 | 17.8s |
| #28 | Gemini 2.5 Flash medium | 2 | 5.9 | 1/3 | 37.3s | |
| #33 | Hy3 preview medium | Tencent | 2 | 5.3 | 1/3 | 22.3s |
| #35 | Gemini 3 PRO Preview medium | 2 | 5.3 | 1/3 | 7.01s | |
| #37 | Gemma 4 26B A4B medium | 2 | 2.9 | 0/3 | 23.6s |