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. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #83 | Mistral Small 4 none | Mistral | 4 | 3.4 | 0/4 | 395ms |
| #98 | LFM2-24B-A2B none | Liquid | 3 | 3.3 | 0/3 | 471ms |
| #91 | Mercury 2 none | Inception | 4 | 3.0 | 0/4 | 483ms |
| #82 | Grok 4.20 none | X AI | 3 | 4.8 | 1/4 | 501ms |
| #62 | Gemini 2.5 Flash none | 4 | 3.0 | 0/4 | 582ms | |
| #79 | Grok 4.20 Beta none | X AI | 4 | 4.0 | 0/4 | 597ms |
| #67 | Qwen3.5-27B none | Qwen | 3 | 4.8 | 1/4 | 788ms |
| #86 | GPT-5.4 Mini none | OpenAI | 4 | 3.1 | 0/4 | 929ms |
| #85 | Elephant none | Openrouter | 1 | 6.6 | 2/4 | 963ms |
| #29 | Gemini 3.1 Flash Lite Preview none | 1 | 7.5 | 2/4 | 1.04s | |
| #95 | Grok 4.1 Fast none | X AI | 3 | 3.2 | 0/4 | 1.07s |
| #55 | MiMo-V2-Omni none | Xiaomi | 3 | 4.8 | 1/4 | 1.10s |
| #54 | Mercury 2 medium | Inception | 1 | 6.9 | 2/4 | 1.12s |
| #96 | GPT-5.4 Nano none | OpenAI | 4 | 3.5 | 0/4 | 1.18s |
| #81 | Elephant medium | Openrouter | 2 | 6.6 | 2/4 | 1.19s |