AI BENCHY
तुलना करें चार्ट Karyapranali
❤️ Made by XCS
Your ad 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: सही परीक्षण ↑.

दिखाए गए मॉडल

54

कुल विफलताएँ

275

सबसे अधिक प्रभावित मॉडल

LFM2-24B-A2B 9
रैंक मॉडल कंपनी गलत उत्तर संख्या औसत स्कोर सही परीक्षण प्रतिक्रिया समय (औसत)
#55 LFM2-24B-A2B none Liquid 9 2.6 1/16 811ms
#50 Qwen3 Coder Next medium Qwen 8 3.5 3/16 12.5s
#53 Grok 4.1 Fast none X AI 11 2.9 3/16 1.90s
#54 MiMo-V2-Flash none Xiaomi 10 2.9 3/16 2.97s
#47 GPT-4o-mini none OpenAI 11 4.0 4/16 2.07s
#48 Qwen3 Coder Next none Qwen 10 4.0 4/16 11.7s
#49 GLM 4.7 Flash none Z.ai 9 3.9 4/16 2.99s
#51 Mercury 2 none Inception 11 3.4 4/16 596ms
#52 GLM 4.7 Flash medium Z.ai 7 3.1 4/16 36.8s
#41 Qwen3.5-27B none Qwen 9 4.9 5/16 1.75s
#43 MiniMax M2.5 medium Minimax 5 4.7 5/16 43.0s
#45 Trinity Large Preview none Arcee AI 9 4.2 5/16 3.15s
#46 Kimi K2.5 none Moonshot AI 11 4.1 5/16 11.9s
#38 Gemini 2.5 Flash none Google 9 5.2 6/16 923ms
#40 Qwen3.5-122B-A10B none Qwen 9 5.0 6/16 3.72s
#42 Qwen3.5-35B-A3B none Qwen 8 4.7 6/16 4.10s
#44 GPT-5.4 none OpenAI 9 4.5 6/16 1.48s
#33 DeepSeek V3.2 none DeepSeek 6 5.5 7/16 12.9s
#34 GPT-5 Nano medium OpenAI 5 5.5 7/16 47.9s
#36 Mercury 2 medium Inception 5 5.3 7/16 2.36s
#37 Qwen3.5-Flash none Qwen 8 5.2 7/16 3.54s
#39 gpt-oss-120b medium OpenAI 5 5.1 7/16 16.7s
#32 GPT-5 Mini medium OpenAI 3 6.0 8/16 25.1s
#35 Qwen3.5-35B-A3B medium Qwen 2 5.5 8/16 43.9s
#28 Kimi K2.5 medium Moonshot AI 3 6.4 9/16 69.8s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 7 6.2 9/16 2.65s
#30 Grok 4.1 Fast medium X AI 2 6.2 9/16 26.3s
#31 GLM 5 none Z.ai 7 6.0 9/16 4.03s
#13 Step 3.5 Flash medium Stepfun 3 7.4 10/16 29.1s
#19 GPT-5.3 Chat none OpenAI 4 7.3 10/16 5.96s
#22 Gemini 3.1 Flash Lite Preview none Google 4 7.1 10/16 1.33s
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.9 10/16 65.1s
#24 Qwen3.5-Flash medium Qwen 1 6.9 10/16 70.8s
#25 Claude Sonnet 4.6 none Anthropic 2 6.8 10/16 5.57s
#26 Claude Opus 4.6 medium Anthropic 2 6.6 10/16 22.9s
#27 GPT-5.2 medium OpenAI 1 6.5 10/16 15.3s
#12 Gemini 3.1 Flash Lite Preview medium Google 4 7.5 11/16 3.83s
#14 GLM 5 medium Z.ai 2 7.4 11/16 16.2s
#15 GPT-5.2 Chat none OpenAI 4 7.4 11/16 7.03s
#16 Gemini 2.5 Flash medium Google 4 7.4 11/16 12.4s
#17 Gemini 3.1 Flash Lite Preview low Google 4 7.3 11/16 3.36s
#18 DeepSeek V3.2 medium DeepSeek 3 7.3 11/16 39.5s
#20 Gemini 3 Flash Preview none Google 5 7.2 11/16 1.75s
#21 MiMo-V2-Flash medium Xiaomi 3 7.2 11/16 25.3s
#3 GPT-5.3-Codex medium OpenAI 2 8.4 12/16 16.6s
#7 Qwen3.5-27B medium Qwen 1 8.2 12/16 52.1s
#8 Gemini 3.1 Flash Lite Preview high Google 3 8.2 12/16 68.8s
#9 GPT-5.4 medium OpenAI 2 8.0 12/16 20.1s
#10 Qwen3.5-122B-A10B medium Qwen 3 7.7 12/16 29.7s
#11 Claude Sonnet 4.6 medium Anthropic 1 7.7 12/16 11.2s
#4 Qwen3.5 Plus 2026-02-15 medium Qwen 1 8.3 13/16 34.5s
#5 Gemini 3 Flash Preview low Google 3 8.2 13/16 6.11s
#6 Gemini 3 Pro Preview medium Google 3 8.2 13/16 7.15s
#2 Gemini 3.1 Pro Preview medium Google 1 9.4 15/16 16.6s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम औसत स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल