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)
#104	Nemotron 3 Ultra 550b A55b none	NVIDIA	12	6.0	8/21	2.27s
#120	Mimo V2 PRO none	Xiaomi	11	5.6	7/21	2.27s
#95	Qwen3.5 Plus 2026-02-15 none	Qwen	12	6.3	9/21	2.31s
#101	Mimo V2 Omni none	Xiaomi	10	6.0	8/21	2.44s
#110	Seed-2.0-Lite none	Bytedance Seed	13	5.8	8/21	2.49s
#152	MiMo-V2-Flash none	Xiaomi	13	4.6	4/21	2.76s
#50	Gemini 3.1 Flash Lite Preview low	Google	7	7.4	13/21	2.77s
#134	GLM 5 Turbo none	Z.ai	13	5.2	6/21	2.82s
#88	Qwen3.7 Plus none	Qwen	10	6.4	10/21	2.85s
#122	GLM 4.7 Flash none	Z.ai	13	5.5	6/21	2.86s
#145	Laguna M.1 none	Poolside	10	4.8	4/19	2.89s
#151	Trinity Large Preview none	Arcee AI	12	4.6	4/21	2.98s
#109	GLM 5V Turbo none	Z.ai	11	5.8	8/21	2.99s
#8	Claude Opus 4.7 none	Anthropic	3	8.9	16/19	3.02s
#44	Gemini 3.1 Flash Lite medium	Google	7	7.5	13/21	3.23s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल