AI BENCHY
Your ad here

AI BENCHY श्रेणी विफलताएँ

डोमेन-विशिष्ट: गलत उत्तर

डोमेन-विशिष्ट
गलत उत्तर

देखें कि डोमेन-विशिष्ट में किन AI मॉडलों में गलत उत्तर आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें।

दिखाए गए मॉडल

15

कुल विफलताएँ

182

सबसे अधिक प्रभावित मॉडल

Qwen3.6 Plus Preview 3

विफलता के कारण

गलत उत्तर182 समय समाप्त31 अतिरिक्त फॉर्मेटिंग8 API त्रुटि2 कोई उत्तर नहीं2

श्रेणियाँ

डोमेन-विशिष्ट182 एंटी-एआई ट्रिक्स165 पहेली समाधान85 निर्देश पालन44 संयुक्त37 कोडिंग28 डेटा पार्सिंग और निष्कर्षण19 Samanya Buddhimatta10 टूल कॉलिंग2
रैंक मॉडल कंपनी गलत उत्तर संख्या श्रेणी स्कोर सही परीक्षण प्रतिक्रिया समय (औसत)
#16 GPT-5.4 medium OpenAI 2 5.3 1/3 74.3s
#18 GLM 5 Turbo medium Z.ai 2 2.9 0/3 71.1s
#22 Gemini 3.1 Flash Lite Preview low Google 2 5.3 1/3 2.36s
#24 Gemma 4 26B A4B medium Google 2 2.9 0/3 23.6s
#25 Grok 4.20 Beta medium X AI 2 5.3 1/3 21.3s
#28 GPT-5.2 Chat none OpenAI 2 5.3 1/3 17.8s
#29 Gemini 3.1 Flash Lite Preview none Google 2 5.3 1/3 942ms
#30 Step 3.5 Flash medium Stepfun 2 5.3 1/3 170.5s
#31 GLM 5V Turbo medium Z.ai 2 5.3 1/3 38.1s
#38 GPT-5.4 Nano medium OpenAI 2 5.9 1/3 38.2s
#41 MiMo-V2-Flash medium Xiaomi 2 5.9 1/3 96.0s
#45 GPT-5 Mini medium OpenAI 2 3.6 0/3 44.6s
#46 Kimi K2.5 medium Moonshot AI 2 3.5 0/3 137.3s
#49 Qwen3.5 Plus 2026-02-15 none Qwen 2 5.3 1/3 1.17s
#51 Nemotron 3 Super medium NVIDIA 2 2.9 0/3 16.2s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल

अनुमानित व्यर्थ लागत के अनुसार शीर्ष मॉडल