पहेली समाधान x गलत उत्तर रैंकिंग

AI BENCHY श्रेणी विफलताएँ

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

दिखाए गए मॉडल

कुल विफलताएँ

147

सबसे अधिक प्रभावित मॉडल

विफलता के कारण

गलत उत्तर147 निर्देशों का पालन नहीं किया78 API त्रुटि13 अतिरिक्त फॉर्मेटिंग5 समय समाप्त5 कोई उत्तर नहीं1

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)
#124	Kimi K2.6 none	Moonshot AI	2	3.1	0/3	1.40s
#127	Grok 4.20 none	X AI	2	5.3	1/3	473ms
#128	Qwen3.6 Flash none	Qwen	2	3.5	0/3	1.21s
#131	Qwen3.5-122B-A10B none	Qwen	2	3.8	0/3	1.00s
#132	Mistral Small 4 medium	Mistral	2	3.4	0/3	2.17s
#137	Elephant Alpha none	Openrouter	2	4.2	0/3	807ms
#138	Ling-2.6-flash none	Inclusionai	2	2.9	0/3	6.51s
#142	Mistral Small 4 none	Mistral	2	3.1	0/3	399ms
#145	Laguna M.1 none	Poolside	2	3.0	0/3	891ms
#147	GPT-4o-mini none	OpenAI	2	3.5	0/3	1.21s
#149	Nemotron 3 Nano Omni 30b A3b Reasoning medium	NVIDIA	2	2.9	0/3	1.40s
#150	Qwen3 Coder Next medium	Qwen	2	3.0	0/3	1.25s
#151	Trinity Large Preview none	Arcee AI	2	3.6	0/3	1.97s
#152	MiMo-V2-Flash none	Xiaomi	2	5.3	1/3	1.86s
#154	Qwen3.5-9B none	Qwen	2	3.2	0/3	621ms

←

1 2 3 8

→

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल