AI BENCHY श्रेणी अपयशे
अँटी-एआय युक्त्या: चुकीचे उत्तर
अँटी-एआय युक्त्या
चुकीचे उत्तर
अँटी-एआय युक्त्या मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #97 | Gemini 2.5 Flash none | 4 | 3.0 | 0/4 | 582ms | |
| #104 | Nemotron 3 Ultra 550b A55b none | NVIDIA | 4 | 3.5 | 0/4 | 2.35s |
| #106 | Grok 4.20 Beta none | X AI | 4 | 4.0 | 0/4 | 597ms |
| #108 | Qwen3.5-Flash none | Qwen | 4 | 3.5 | 0/4 | 1.32s |
| #110 | Seed-2.0-Lite none | Bytedance Seed | 4 | 3.0 | 0/4 | 2.43s |
| #112 | GLM 5.1 none | Z.ai | 4 | 4.0 | 0/4 | 2.11s |
| #116 | Hunter Alpha none | OpenRouter | 4 | 3.5 | 0/4 | 3.81s |
| #117 | Qwen3.5-35B-A3B none | Qwen | 4 | 3.4 | 0/4 | 1.43s |
| #118 | Qwen3.6 27B none | Qwen | 4 | 3.8 | 0/4 | 2.83s |
| #120 | Mimo V2 PRO none | Xiaomi | 4 | 3.5 | 0/4 | 1.80s |
| #125 | GPT-5.4 none | OpenAI | 4 | 3.2 | 0/4 | 1.21s |
| #128 | Qwen3.6 Flash none | Qwen | 4 | 3.1 | 0/4 | 1.63s |
| #134 | GLM 5 Turbo none | Z.ai | 4 | 3.0 | 0/4 | 2.84s |
| #135 | Kimi K2.5 none | Moonshot AI | 4 | 3.6 | 0/4 | 6.24s |
| #139 | DeepSeek V4 Flash none | DeepSeek | 4 | 3.0 | 0/4 | 20.2s |