AI BENCHY
तुलना करें चार्ट Karyapranali
❤️ Made by XCS
Your ad here

AI BENCHY श्रेणी विफलताएँ

पहेली समाधान
गलत उत्तर

देखें कि पहेली समाधान में किन AI मॉडलों में गलत उत्तर आने की सबसे अधिक संभावना है, ताकि आप कमजोरियाँ जल्दी पहचान सकें। क्रमबद्ध करें: प्रतिक्रिया समय (औसत) ↑.

दिखाए गए मॉडल

38

कुल विफलताएँ

55

सबसे अधिक प्रभावित मॉडल

Mercury 2 3
रैंक मॉडल कंपनी गलत उत्तर संख्या श्रेणी स्कोर सही परीक्षण प्रतिक्रिया समय (औसत)
#51 Mercury 2 none Inception 3 10.0 0/3 533ms
#38 Gemini 2.5 Flash none Google 1 4.7 1/3 576ms
#36 Mercury 2 medium Inception 1 1.7 0/3 934ms
#40 Qwen3.5-122B-A10B none Qwen 2 4.0 1/3 982ms
#49 GLM 4.7 Flash none Z.ai 1 3.7 0/3 1.00s
#20 Gemini 3 Flash Preview none Google 1 7.0 2/3 1.06s
#53 Grok 4.1 Fast none X AI 3 1.3 0/3 1.28s
#47 GPT-4o-mini none OpenAI 3 2.3 0/3 1.30s
#42 Qwen3.5-35B-A3B none Qwen 2 1.7 0/3 1.34s
#41 Qwen3.5-27B none Qwen 1 6.3 1/3 1.37s
#54 MiMo-V2-Flash none Xiaomi 3 10.0 0/3 1.38s
#44 GPT-5.4 none OpenAI 1 4.0 1/3 1.52s
#55 LFM2-24B-A2B none Liquid 1 3.3 0/3 1.69s
#31 GLM 5 none Z.ai 1 7.0 2/3 2.05s
#50 Qwen3 Coder Next medium Qwen 1 10.0 0/3 2.30s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 1 7.0 2/3 2.82s
#45 Trinity Large Preview none Arcee AI 2 4.0 1/3 3.30s
#12 Gemini 3.1 Flash Lite Preview medium Google 1 7.0 2/3 3.58s
#21 MiMo-V2-Flash medium Xiaomi 1 7.0 2/3 3.77s
#16 Gemini 2.5 Flash medium Google 1 7.0 2/3 3.94s
#15 GPT-5.2 Chat none OpenAI 1 7.0 2/3 4.42s
#26 Claude Opus 4.6 medium Anthropic 1 7.0 2/3 4.60s
#46 Kimi K2.5 none Moonshot AI 3 10.0 0/3 4.73s
#37 Qwen3.5-Flash none Qwen 2 1.3 0/3 5.90s
#33 DeepSeek V3.2 none DeepSeek 1 7.7 2/3 7.37s
#13 Step 3.5 Flash medium Stepfun 1 4.0 1/3 7.72s
#30 Grok 4.1 Fast medium X AI 1 4.0 1/3 8.08s
#43 MiniMax M2.5 medium Minimax 1 4.0 1/3 11.5s
#39 gpt-oss-120b medium OpenAI 1 1.7 0/3 11.8s
#52 GLM 4.7 Flash medium Z.ai 2 10.0 0/3 12.9s
#32 GPT-5 Mini medium OpenAI 1 4.3 1/3 14.1s
#34 GPT-5 Nano medium OpenAI 1 4.0 1/3 19.8s
#48 Qwen3 Coder Next none Qwen 3 1.3 0/3 22.9s
#23 Seed-2.0-Mini medium Bytedance Seed 1 7.0 2/3 25.9s
#35 Qwen3.5-35B-A3B medium Qwen 1 4.0 1/3 31.6s
#18 DeepSeek V3.2 medium DeepSeek 1 7.0 2/3 36.9s
#28 Kimi K2.5 medium Moonshot AI 1 4.0 1/3 45.4s
#8 Gemini 3.1 Flash Lite Preview high Google 1 7.0 2/3 46.3s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम औसत स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल

अनुमानित व्यर्थ लागत के अनुसार शीर्ष मॉडल