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

1204

सबसे अधिक प्रभावित मॉडल

Granite 4.1 8B 13

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)
#93	Qwen3.6 Plus Preview medium	Qwen	2	6.3	9/19	15.2s
#76	Kimi K2.5 medium	Moonshot AI	5	6.8	10/21	98.4s
#78	Qwen3.6 27B medium	Qwen	6	6.8	10/21	59.7s
#80	Mimo V2 Omni medium	Xiaomi	5	6.7	10/21	41.2s
#81	Mercury 2 medium	Inception	8	6.6	10/21	2.24s
#85	Gemma 4 31B none	Google	8	6.5	10/21	4.05s
#87	Gemini 3.1 Flash Lite minimal	Google	8	6.4	10/21	1.33s
#88	Qwen3.7 Plus none	Qwen	10	6.4	10/21	2.85s
#89	Hy3 preview low	Tencent	4	6.4	10/21	24.6s
#91	GPT-5.5 none	OpenAI	11	6.4	10/21	1.89s
#83	Step 3.5 Flash none	Stepfun	1	6.6	6/12	39.0s
#59	GLM 5V Turbo medium	Z.ai	7	7.2	11/21	23.1s
#66	Qwen3.5-35B-A3B medium	Qwen	2	7.1	11/21	72.6s
#67	MiniMax M3 medium	Minimax	3	7.1	11/21	68.2s
#70	GPT-5.4 Nano medium	OpenAI	8	7.0	11/21	12.0s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल