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: सही परीक्षण ↑.

दिखाए गए मॉडल

15

कुल विफलताएँ

572

सबसे अधिक प्रभावित मॉडल

श्रेणियाँ

डोमेन-विशिष्ट श्रेणी में182 एंटी-एआई ट्रिक्स श्रेणी में165 पहेली समाधान श्रेणी में85 निर्देश पालन श्रेणी में44 संयुक्त श्रेणी में37 कोडिंग श्रेणी में28 डेटा पार्सिंग और निष्कर्षण श्रेणी में19 Samanya Buddhimatta श्रेणी में10 टूल कॉलिंग श्रेणी में2

रैंक	मॉडल	कंपनी	गलत उत्तर संख्या	स्कोर	सही परीक्षण	प्रतिक्रिया समय (औसत)
#6	Seed-2.0-Lite medium	Bytedance Seed	3	8.6	13/18	30.4s
#7	GPT-5.3-Codex medium	OpenAI	3	8.6	13/18	15.4s
#10	Qwen3.5-27B medium	Qwen	1	8.4	13/18	53.0s
#13	GLM 5 medium	Z.ai	2	8.4	13/18	23.3s
#14	Gemma 4 31B medium	Google	1	8.3	13/18	24.9s
#15	Gemini 2.5 Flash medium	Google	4	8.2	13/18	12.1s
#16	GPT-5.4 medium	OpenAI	3	8.2	13/18	18.6s
#17	Gemini 3.1 Flash Lite Preview medium	Google	4	8.2	13/18	3.74s
#19	Qwen3.5-122B-A10B medium	Qwen	3	8.1	13/18	31.4s
#20	Qwen3.6 Plus medium	Qwen	3	8.1	13/18	15.3s
#21	Gemini 3 Flash Preview none	Google	5	8.1	13/18	1.65s
#22	Gemini 3.1 Flash Lite Preview low	Google	4	8.1	13/18	3.22s
#24	Gemma 4 26B A4B medium	Google	2	8.0	13/18	25.0s
#26	Claude Sonnet 4.6 medium	Anthropic	2	8.0	13/18	12.7s
#11	Gemini 3.1 Flash Lite Preview high	Google	3	8.4	12/16	68.8s

←

1 2 3 4 5 6 7

→

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल