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

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
#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
#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
#7	Gemini 3.5 Flash medium	Google	2	9.0	18/21	4.94s
#8	Claude Opus 4.7 none	Anthropic	3	8.9	16/19	3.02s
#12	Gemini 3.1 Flash Lite Preview high	Google	2	8.6	13/16	68.1s
#9	GPT-5.5 medium	OpenAI	4	8.8	17/21	38.0s
#10	Claude Opus 4.8 medium	Anthropic	3	8.7	17/21	9.66s
#11	Claude Opus 4.7 medium	Anthropic	3	8.7	17/21	4.73s
#13	Grok 4.20 Beta medium	X AI	3	8.5	14/18	9.75s
#14	Qwen3.6 Max Preview medium	Qwen	5	8.5	16/21	59.6s
#16	Gemini 3 Flash Preview low	Google	5	8.4	16/21	5.76s

1 2 11

→

गलत उत्तर संख्या के अनुसार शीर्ष मॉडल

गलत उत्तर संख्या बनाम स्कोर

प्रतिक्रिया समय (औसत) के अनुसार शीर्ष मॉडल