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) |
|---|---|---|---|---|---|---|
| #59 | Qwen3.5-Flash none | Qwen | 4 | 3.5 | 0/4 | 1.32s |
| #61 | Seed-2.0-Lite none | Bytedance Seed | 4 | 3.0 | 0/4 | 2.43s |
| #62 | Gemini 2.5 Flash none | 4 | 3.0 | 0/4 | 582ms | |
| #63 | Qwen3.5-35B-A3B none | Qwen | 4 | 3.4 | 0/4 | 1.43s |
| #65 | MiMo-V2-Pro none | Xiaomi | 4 | 3.5 | 0/4 | 1.80s |
| #66 | GPT-5.4 none | OpenAI | 4 | 3.2 | 0/4 | 1.21s |
| #72 | Hunter Alpha none | OpenRouter | 4 | 3.5 | 0/4 | 3.81s |
| #75 | GLM 5.1 none | Z.ai | 4 | 4.0 | 0/4 | 2.11s |
| #76 | Kimi K2.5 none | Moonshot AI | 4 | 3.6 | 0/4 | 6.24s |
| #77 | GLM 5 Turbo none | Z.ai | 4 | 3.0 | 0/4 | 2.84s |
| #78 | Trinity Large Preview none | Arcee AI | 4 | 3.0 | 0/4 | 3.02s |
| #79 | Grok 4.20 Beta none | X AI | 4 | 4.0 | 0/4 | 597ms |
| #83 | Mistral Small 4 none | Mistral | 4 | 3.4 | 0/4 | 395ms |
| #86 | GPT-5.4 Mini none | OpenAI | 4 | 3.1 | 0/4 | 929ms |
| #90 | Qwen3.5-9B none | Qwen | 4 | 3.1 | 0/4 | 1.71s |