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: स्कोर ↓.

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)
#76	Kimi K2.5 medium	Moonshot AI	5	6.8	10/21	98.4s
#77	Claude Sonnet 4.6 none	Anthropic	5	6.8	11/21	5.04s
#78	Qwen3.6 27B medium	Qwen	6	6.8	10/21	59.7s
#79	Hunter Alpha medium	OpenRouter	4	6.7	8/18	10.3s
#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
#82	Hy3 preview high	Tencent	3	6.6	11/21	56.6s
#83	Step 3.5 Flash none	Stepfun	1	6.6	6/12	39.0s
#84	Grok 4.20 Multi Agent Beta medium	X AI	4	6.6	8/18	9.69s
#85	Gemma 4 31B none	Google	8	6.5	10/21	4.05s
#86	Grok 4.1 Fast medium	X AI	4	6.5	9/19	23.8s
#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
#90	Gemini 3.1 Flash Lite none	Google	11	6.4	9/21	1.06s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल