AI BENCHY
तुलना करा चार्ट्स Paddhati
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY श्रेणी अपयशे

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: बरोबर चाचण्या ↑.

दाखवलेली मॉडेल्स

26

एकूण अपयशे

53

सर्वाधिक प्रभावित मॉडेल

DeepSeek V3.2 1
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या श्रेणी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#33 DeepSeek V3.2 none DeepSeek 1 10.0 0/3 8.79s
#37 Qwen3.5-Flash none Qwen 3 2.3 0/3 1.62s
#38 Gemini 2.5 Flash none Google 3 10.0 0/3 668ms
#42 Qwen3.5-35B-A3B none Qwen 3 10.0 0/3 1.76s
#44 GPT-5.4 none OpenAI 3 10.0 0/3 1.41s
#45 Trinity Large Preview none Arcee AI 3 10.0 0/3 3.59s
#46 Kimi K2.5 none Moonshot AI 3 2.7 0/3 11.4s
#48 Qwen3 Coder Next none Qwen 1 2.3 0/3 4.39s
#49 GLM 4.7 Flash none Z.ai 3 10.0 0/3 6.59s
#50 Qwen3 Coder Next medium Qwen 2 1.3 0/3 15.3s
#51 Mercury 2 none Inception 3 10.0 0/3 466ms
#53 Grok 4.1 Fast none X AI 2 1.3 0/3 1.73s
#54 MiMo-V2-Flash none Xiaomi 3 10.0 0/3 1.36s
#55 LFM2-24B-A2B none Liquid 3 10.0 0/3 471ms
#22 Gemini 3.1 Flash Lite Preview none Google 1 6.0 1/3 1.16s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 2 4.0 1/3 2.74s
#31 GLM 5 none Z.ai 2 4.0 1/3 3.39s
#40 Qwen3.5-122B-A10B none Qwen 2 4.0 1/3 927ms
#41 Qwen3.5-27B none Qwen 2 4.0 1/3 796ms
#47 GPT-4o-mini none OpenAI 2 4.0 1/3 1.83s
#52 GLM 4.7 Flash medium Z.ai 1 4.0 1/3 27.1s
#16 Gemini 2.5 Flash medium Google 1 7.3 2/3 6.98s
#17 Gemini 3.1 Flash Lite Preview low Google 1 7.0 2/3 2.18s
#18 DeepSeek V3.2 medium DeepSeek 1 7.0 2/3 33.4s
#20 Gemini 3 Flash Preview none Google 1 7.0 2/3 1.59s
#34 GPT-5 Nano medium OpenAI 1 7.0 2/3 37.7s

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या विरुद्ध सरासरी स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स