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)
#55	GLM 5.1 medium	Z.ai	4	7.3	12/21	33.7s
#56	MiMo-V2.5 medium	Xiaomi	5	7.3	12/21	27.1s
#57	Step 3.7 Flash low	Stepfun	8	7.3	12/21	15.7s
#58	Gemini 3.1 Flash Lite Preview none	Google	7	7.2	12/21	1.21s
#60	Kimi K2.6 medium	Moonshot AI	3	7.2	12/21	71.7s
#61	Gemini 3.1 Flash Lite low	Google	9	7.2	12/21	1.89s
#63	GPT-5.3 Chat none	OpenAI	7	7.2	12/21	6.34s
#64	MiMo-V2-Flash medium	Xiaomi	5	7.2	12/21	20.1s
#65	Grok 4.20 medium	X AI	6	7.1	12/21	27.7s
#68	Claude Opus 4.8 none	Anthropic	4	7.0	12/21	3.47s
#69	Claude Opus 4.6 medium	Anthropic	3	7.0	12/21	25.9s
#30	Qwen3.5-27B medium	Qwen	4	7.8	13/21	68.4s
#31	DeepSeek V4 Flash high	DeepSeek	6	7.7	13/21	45.8s
#36	Qwen3.5 Plus 2026-04-20 medium	Qwen	8	7.6	13/21	46.4s
#38	Grok 4.3 medium	X AI	5	7.6	13/21	47.5s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल