AI BENCHY বিভাগীয় ব্যর্থতা
সাধারণ জ্ঞান: ভুল উত্তর
সাধারণ জ্ঞান
ভুল উত্তর
দেখুন সাধারণ জ্ঞান 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) |
|---|---|---|---|---|---|---|
| #40 | Gemini 3.1 Flash Lite Preview none | 1 | 3.0 | 0/1 | 814ms | |
| #41 | GPT-5.2 Chat none | OpenAI | 1 | 3.0 | 0/1 | 6.89s |
| #42 | Kimi K2.6 medium | Moonshot AI | 1 | 3.0 | 0/1 | 130.3s |
| #43 | Step 3.5 Flash medium | Stepfun | 1 | 3.0 | 0/1 | 108.4s |
| #44 | Gemini 3.1 Flash Lite low | 1 | 3.0 | 0/1 | 1.46s | |
| #45 | Qwen3.5-Flash medium | Qwen | 1 | 3.0 | 0/1 | 49.0s |
| #46 | GPT-5.3 Chat none | OpenAI | 1 | 3.0 | 0/1 | 4.38s |
| #47 | GLM 5.1 medium | Z.ai | 1 | 3.0 | 0/1 | 29.4s |
| #48 | DeepSeek V4 Flash high | DeepSeek | 1 | 3.0 | 0/1 | 54.5s |
| #49 | GLM 5V Turbo medium | Z.ai | 1 | 3.0 | 0/1 | 41.0s |
| #50 | Qwen3.6 Flash medium | Qwen | 1 | 3.0 | 0/1 | 122.9s |
| #52 | Claude Opus 4.6 medium | Anthropic | 1 | 3.0 | 0/1 | 63.2s |
| #53 | GPT-5.4 Nano medium | OpenAI | 1 | 3.0 | 0/1 | 4.81s |
| #54 | Qwen3.6 Max Preview none | Qwen | 1 | 3.0 | 0/1 | 1.97s |
| #55 | MiMo-V2-Flash medium | Xiaomi | 1 | 3.0 | 0/1 | 1.96s |