AI BENCHY বিভাগীয় ব্যর্থতা
ধাঁধা সমাধান: ভুল উত্তর
ধাঁধা সমাধান
ভুল উত্তর
দেখুন ধাঁধা সমাধান 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) |
|---|---|---|---|---|---|---|
| #142 | Mistral Small 4 none | Mistral | 2 | 3.1 | 0/3 | 399ms |
| #127 | Grok 4.20 none | X AI | 2 | 5.3 | 1/3 | 473ms |
| #162 | Nemotron 3 Nano Omni 30b A3b Reasoning none | NVIDIA | 1 | 3.0 | 0/3 | 532ms |
| #155 | Mercury 2 none | Inception | 3 | 3.1 | 0/3 | 535ms |
| #106 | Grok 4.20 Beta none | X AI | 1 | 7.7 | 2/3 | 586ms |
| #97 | Gemini 2.5 Flash none | 1 | 7.7 | 2/3 | 604ms | |
| #163 | Granite 4.1 8B none | IBM Granite | 2 | 3.2 | 0/3 | 608ms |
| #154 | Qwen3.5-9B none | Qwen | 2 | 3.2 | 0/3 | 621ms |
| #146 | Laguna Xs.2 none | Poolside | 1 | 5.3 | 1/3 | 650ms |
| #90 | Gemini 3.1 Flash Lite none | 1 | 6.3 | 1/3 | 720ms | |
| #102 | Gemma 4 26B A4B none | 1 | 6.2 | 1/3 | 744ms | |
| #137 | Elephant Alpha none | Openrouter | 2 | 4.2 | 0/3 | 807ms |
| #144 | GPT-5.4 Mini none | OpenAI | 1 | 5.4 | 1/3 | 836ms |
| #136 | Elephant Alpha medium | Openrouter | 1 | 5.3 | 1/3 | 868ms |
| #145 | Laguna M.1 none | Poolside | 2 | 3.0 | 0/3 | 891ms |