गलत उत्तर विफलता रैंकिंग

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

कुल विफलताएँ

572

सबसे अधिक प्रभावित मॉडल

श्रेणियाँ

रैंक	मॉडल	कंपनी	गलत उत्तर संख्या	स्कोर	सही परीक्षण	प्रतिक्रिया समय (औसत)
#9	Qwen3.6 Plus Preview medium	Qwen	3	8.5	13/17	13.9s
#8	Qwen3.5 Plus 2026-02-15 medium	Qwen	2	8.5	14/18	46.6s
#12	Gemini 3 PRO Preview medium	Google	3	8.4	14/18	9.06s
#5	Gemini 3 Flash Preview low	Google	3	8.8	15/18	6.01s
#3	Claude Opus 4.7 medium	Anthropic	1	9.2	16/18	3.53s
#4	Claude Opus 4.7 none	Anthropic	2	9.2	16/18	3.13s
#2	Gemini 3.1 Pro Preview medium	Google	1	9.6	17/18	16.0s

←

1 2 3 4 5 6 7

गलत उत्तर विफलताएँ