AI BENCHY
Advertise here

AI BENCHY विफलताएँ

गलत उत्तर 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: विफलता संख्या ↑.

दिखाए गए मॉडल

15

कुल विफलताएँ

1204

सबसे अधिक प्रभावित मॉडल

Gemini 3 Flash Preview 1

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)
#1 Gemini 3 Flash Preview medium Google 1 9.8 20/21 18.6s
#2 Gemini 3.5 Flash high Google 1 9.6 20/21 8.84s
#83 Step 3.5 Flash none Stepfun 1 6.6 6/12 39.0s
#3 Gemini 3.5 Flash low Google 2 9.4 19/21 3.27s
#4 Gemini 3.1 Pro Preview medium Google 2 9.4 19/21 20.1s
#7 Gemini 3.5 Flash medium Google 2 9.0 18/21 4.94s
#12 Gemini 3.1 Flash Lite Preview high Google 2 8.6 13/16 68.1s
#27 Gemma 4 31B medium Google 2 7.8 14/21 56.5s
#66 Qwen3.5-35B-A3B medium Qwen 2 7.1 11/21 72.6s
#93 Qwen3.6 Plus Preview medium Qwen 2 6.3 9/19 15.2s
#161 Qwen3.5-9B medium Qwen 2 4.2 3/21 82.2s
#5 Qwen3.7 Max medium Qwen 3 9.1 18/21 16.0s
#6 GPT-5.5 low OpenAI 3 9.0 18/21 9.76s
#8 Claude Opus 4.7 none Anthropic 3 8.9 16/19 3.02s
#10 Claude Opus 4.8 medium Anthropic 3 8.7 17/21 9.66s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल