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) |
|---|---|---|---|---|---|---|
| #82 | Hy3 preview high | Tencent | 2 | 5.3 | 1/3 | 109.0s |
| #84 | Grok 4.20 Multi Agent Beta medium | X AI | 2 | 2.9 | 0/3 | 24.7s |
| #89 | Hy3 preview low | Tencent | 2 | 5.9 | 1/3 | 40.4s |
| #92 | Laguna M.1 medium | Poolside | 2 | 5.3 | 1/3 | 24.1s |
| #93 | Qwen3.6 Plus Preview medium | Qwen | 2 | 3.0 | 0/3 | 22.1s |
| #95 | Qwen3.5 Plus 2026-02-15 none | Qwen | 2 | 5.3 | 1/3 | 1.17s |
| #96 | Ring-2.6-1T none | Inclusionai | 2 | 5.3 | 1/3 | 73.4s |
| #97 | Gemini 2.5 Flash none | 2 | 5.9 | 1/3 | 495ms | |
| #100 | Grok Build 0.1 none | X AI | 2 | 3.6 | 0/3 | 103.7s |
| #101 | Mimo V2 Omni none | Xiaomi | 2 | 5.3 | 1/3 | 2.10s |
| #104 | Nemotron 3 Ultra 550b A55b none | NVIDIA | 2 | 5.3 | 1/3 | 698ms |
| #105 | Nemotron 3 Super medium | NVIDIA | 2 | 2.9 | 0/3 | 16.2s |
| #107 | Laguna Xs.2 medium | Poolside | 2 | 4.1 | 0/3 | 11.1s |
| #109 | GLM 5V Turbo none | Z.ai | 2 | 5.3 | 1/3 | 2.09s |
| #111 | Owl Alpha medium | Openrouter | 2 | 5.3 | 1/3 | 8.58s |