डोमेन-विशिष्ट x गलत उत्तर रैंकिंग

AI BENCHY श्रेणी विफलताएँ

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

कुल विफलताएँ

314

सबसे अधिक प्रभावित मॉडल

विफलता के कारण

गलत उत्तर314 समय समाप्त34 अतिरिक्त फॉर्मेटिंग12 API त्रुटि6 कोई उत्तर नहीं5 निर्देशों का पालन नहीं किया1

श्रेणियाँ

डोमेन-विशिष्ट314 एंटी-एआई ट्रिक्स245 कोडिंग194 पहेली समाधान147 सामान्य ज्ञान130 निर्देश पालन53 संयुक्त52 डेटा पार्सिंग और निष्कर्षण35 Samanya Buddhimatta32 टूल कॉलिंग2

रैंक	मॉडल	कंपनी	गलत उत्तर संख्या	श्रेणी स्कोर	सही परीक्षण	प्रतिक्रिया समय (औसत)
#9	GPT-5.5 medium	OpenAI	2	5.3	1/3	164.1s
#10	Claude Opus 4.8 medium	Anthropic	2	5.3	1/3	14.2s
#12	Gemini 3.1 Flash Lite Preview high	Google	2	5.3	1/3	127.6s
#13	Grok 4.20 Beta medium	X AI	2	5.3	1/3	21.3s
#15	GPT-5.3-Codex medium	OpenAI	2	5.9	1/3	64.3s
#16	Gemini 3 Flash Preview low	Google	2	5.3	1/3	8.05s
#17	GLM 5 medium	Z.ai	2	3.5	0/3	0ms
#19	Seed-2.0-Lite medium	Bytedance Seed	2	5.9	1/3	88.7s
#21	GPT-5.4 medium	OpenAI	2	5.3	1/3	74.3s
#23	GLM 5 Turbo medium	Z.ai	2	2.9	0/3	71.1s
#24	GPT-5.2 Chat none	OpenAI	2	5.3	1/3	17.8s
#28	Gemini 2.5 Flash medium	Google	2	5.9	1/3	37.3s
#33	Hy3 preview medium	Tencent	2	5.3	1/3	22.3s
#35	Gemini 3 PRO Preview medium	Google	2	5.3	1/3	7.01s
#37	Gemma 4 26B A4B medium	Google	2	2.9	0/3	23.6s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल