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।
| रैंक | मॉडल | कंपनी | गलत उत्तर संख्या | स्कोर | सही परीक्षण | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|
| #6 | Gemini 3.5 Flash medium | 2 | 9.0 | 17/20 | 4.29s | |
| #7 | Claude Opus 4.7 medium | Anthropic | 2 | 8.9 | 17/20 | 4.48s |
| #14 | Gemini 3.1 Flash Lite Preview high | 2 | 8.6 | 13/16 | 68.1s | |
| #25 | Gemma 4 31B medium | 2 | 8.0 | 14/20 | 35.4s | |
| #68 | Qwen3.5-35B-A3B medium | Qwen | 2 | 7.3 | 11/20 | 69.7s |
| #1 | Gemini 3 Flash Preview medium | 1 | 9.8 | 19/20 | 16.5s | |
| #2 | Gemini 3.5 Flash high | 1 | 9.6 | 19/20 | 8.30s | |
| #37 | Step 3.5 Flash none | Stepfun | 1 | 7.8 | 9/12 | 39.0s |