AI BENCHY श्रेणी विफलताएँ
कोडिंग: गलत उत्तर
कोडिंग
गलत उत्तर
देखें कि कोडिंग में किन AI मॉडलों में गलत उत्तर आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें।
विफलता के कारण
134/134
मॉडल फ़िल्टर करें
मौजूदा खोज और फ़िल्टर से कोई मॉडल मेल नहीं खाता।
| रैंक | मॉडल | कंपनी | गलत उत्तर संख्या | श्रेणी स्कोर | कुल लागत | सही परीक्षण | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|
| #121 | Qwen3.5-27B none | Qwen | 2 | 5.8 | $0.015 | 1/3 | 1.80s |
| #122 | GLM 5V Turbo none | Z.ai | 2 | 5.5 | $0.052 | 1/3 | 3.13s |
| #129 | GPT-5.4 none | OpenAI | 2 | 5.5 | $0.122 | 1/3 | 1.62s |
| #136 | Kimi K2.5 none | Moonshot AI | 2 | 5.5 | $0.027 | 1/3 | 24.6s |
| #137 | MiMo-V2.5-Pro none | Xiaomi | 2 | 4.3 | $0.017 | 0/3 | 1.41s |
| #138 | Qwen3.6 27B none | Qwen | 2 | 5.5 | $0.025 | 1/3 | 4.16s |
| #139 | Gemma 4 26B A4B none | 2 | 3.7 | $0.004 | 0/3 | 4.16s | |
| #140 | Qwen3.5 Plus 2026-04-20 none | Qwen | 2 | 3.9 | $0.032 | 0/3 | 1.69s |
| #144 | GPT-5.4 Mini none | OpenAI | 2 | 5.5 | $0.038 | 1/3 | 913ms |
| #146 | DeepSeek V3.2 none | DeepSeek | 2 | 3.1 | $0.016 | 0/3 | 14.5s |
| #148 | Qwen3.6 35B A3B none | Qwen | 2 | 5.5 | $0.031 | 1/3 | 8.77s |
| #154 | MiMo-V2.5 none | Xiaomi | 2 | 5.5 | $0.006 | 1/3 | 3.24s |
| #168 | Qwen3 Coder Next medium | Qwen | 2 | 3.7 | $0.008 | 0/3 | 924ms |
| #179 | MiMo-V2-Flash none | Xiaomi | 2 | 4.3 | $0.025 | 0/3 | 2.64s |
| #2 | Gemini 3 Flash Preview medium | 1 | 8.6 | $0.667 | 2/3 | 84.4s |