AI BENCHY
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: स्कोर ↓.

दिखाए गए मॉडल

15

कुल विफलताएँ

572

सबसे अधिक प्रभावित मॉडल

Gemini 3.1 Pro Preview 1

श्रेणियाँ

डोमेन-विशिष्ट श्रेणी में182 एंटी-एआई ट्रिक्स श्रेणी में165 पहेली समाधान श्रेणी में85 निर्देश पालन श्रेणी में44 संयुक्त श्रेणी में37 कोडिंग श्रेणी में28 डेटा पार्सिंग और निष्कर्षण श्रेणी में19 Samanya Buddhimatta श्रेणी में10 टूल कॉलिंग श्रेणी में2
रैंक मॉडल कंपनी गलत उत्तर संख्या स्कोर सही परीक्षण प्रतिक्रिया समय (औसत)
#2 Gemini 3.1 Pro Preview medium Google 1 9.6 17/18 16.0s
#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
#5 Gemini 3 Flash Preview low Google 3 8.8 15/18 6.01s
#6 Seed-2.0-Lite medium Bytedance Seed 3 8.6 13/18 30.4s
#7 GPT-5.3-Codex medium OpenAI 3 8.6 13/18 15.4s
#8 Qwen3.5 Plus 2026-02-15 medium Qwen 2 8.5 14/18 46.6s
#9 Qwen3.6 Plus Preview medium Qwen 3 8.5 13/17 13.9s
#10 Qwen3.5-27B medium Qwen 1 8.4 13/18 53.0s
#11 Gemini 3.1 Flash Lite Preview high Google 3 8.4 12/16 68.8s
#12 Gemini 3 PRO Preview medium Google 3 8.4 14/18 9.06s
#13 GLM 5 medium Z.ai 2 8.4 13/18 23.3s
#14 Gemma 4 31B medium Google 1 8.3 13/18 24.9s
#15 Gemini 2.5 Flash medium Google 4 8.2 13/18 12.1s
#16 GPT-5.4 medium OpenAI 3 8.2 13/18 18.6s

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल