AI BENCHY श्रेणी विफलताएँ
निर्देश पालन: गलत उत्तर
निर्देश पालन
गलत उत्तर
देखें कि निर्देश पालन में किन AI मॉडलों में गलत उत्तर आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें।
विफलता के कारण
| रैंक | मॉडल | कंपनी | गलत उत्तर संख्या | श्रेणी स्कोर | सही परीक्षण | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|
| #115 | Qwen3.5-27B none | Qwen | 1 | 6.3 | 1/2 | 1.03s |
| #116 | Hunter Alpha none | OpenRouter | 1 | 6.4 | 1/2 | 2.82s |
| #117 | Qwen3.5-35B-A3B none | Qwen | 1 | 6.3 | 1/2 | 809ms |
| #118 | Qwen3.6 27B none | Qwen | 1 | 6.2 | 1/2 | 1.92s |
| #120 | Mimo V2 PRO none | Xiaomi | 1 | 6.5 | 1/2 | 2.51s |
| #121 | Owl Alpha none | Openrouter | 1 | 6.4 | 1/2 | 2.63s |
| #122 | GLM 4.7 Flash none | Z.ai | 1 | 6.5 | 1/2 | 888ms |
| #123 | MiMo-V2.5-Pro none | Xiaomi | 1 | 6.4 | 1/2 | 1.03s |
| #124 | Kimi K2.6 none | Moonshot AI | 1 | 6.5 | 1/2 | 1.64s |
| #125 | GPT-5.4 none | OpenAI | 1 | 6.5 | 1/2 | 1.07s |
| #127 | Grok 4.20 none | X AI | 1 | 6.3 | 1/2 | 445ms |
| #128 | Qwen3.6 Flash none | Qwen | 1 | 6.3 | 1/2 | 1.10s |
| #130 | MiniMax M2.7 medium | Minimax | 1 | 3.8 | 0/2 | 12.8s |
| #131 | Qwen3.5-122B-A10B none | Qwen | 1 | 6.3 | 1/2 | 513ms |
| #132 | Mistral Small 4 medium | Mistral | 1 | 7.3 | 1/2 | 1.38s |