गलत उत्तर विफलता रैंकिंग | AI BENCHY

AI BENCHY विफलताएँ

देखें कि किन AI मॉडलों में गलत उत्तर सबसे अधिक होता है, ताकि आप चुनने से पहले भरोसेमंदी के जोखिम समझ सकें। क्रमबद्ध करें: प्रतिक्रिया समय (औसत) ↑.

दिखाए गए मॉडल

15

कुल विफलताएँ

1204

सबसे अधिक प्रभावित मॉडल

Mistral Small 4 15

श्रेणियाँ

डोमेन-विशिष्ट श्रेणी में314 एंटी-एआई ट्रिक्स श्रेणी में245 कोडिंग श्रेणी में194 पहेली समाधान श्रेणी में147 सामान्य ज्ञान श्रेणी में130 निर्देश पालन श्रेणी में53 संयुक्त श्रेणी में52 डेटा पार्सिंग और निष्कर्षण श्रेणी में35 Samanya Buddhimatta श्रेणी में32 टूल कॉलिंग श्रेणी में2

रैंक	मॉडल	कंपनी	गलत उत्तर संख्या	स्कोर	सही परीक्षण	प्रतिक्रिया समय (औसत)
#87	Gemini 3.1 Flash Lite minimal	Google	8	6.4	10/21	1.33s
#125	GPT-5.4 none	OpenAI	13	5.5	7/21	1.42s
#148	GPT-5.4 Nano none	OpenAI	15	4.7	4/21	1.48s
#32	Gemini 3.5 Flash minimal	Google	5	7.7	14/21	1.57s
#128	Qwen3.6 Flash none	Qwen	12	5.4	7/21	1.60s
#157	Grok 4.1 Fast none	X AI	13	4.4	3/19	1.62s
#48	Gemini 3 Flash Preview none	Google	8	7.4	13/21	1.65s
#115	Qwen3.5-27B none	Qwen	12	5.7	7/21	1.68s
#147	GPT-4o-mini none	OpenAI	15	4.8	5/21	1.77s
#123	MiMo-V2.5-Pro none	Xiaomi	11	5.5	6/21	1.78s
#61	Gemini 3.1 Flash Lite low	Google	9	7.2	12/21	1.89s
#91	GPT-5.5 none	OpenAI	11	6.4	10/21	1.89s
#154	Qwen3.5-9B none	Qwen	14	4.6	4/21	1.89s
#143	MiMo-V2.5 none	Xiaomi	14	4.9	5/21	2.20s
#81	Mercury 2 medium	Inception	8	6.6	10/21	2.24s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल