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) |
|---|---|---|---|---|---|---|
| #91 | Mercury 2 none | Inception | 4 | 3.0 | 0/4 | 483ms |
| #94 | MiMo-V2-Flash none | Xiaomi | 4 | 3.2 | 0/4 | 1.19s |
| #96 | GPT-5.4 Nano none | OpenAI | 4 | 3.5 | 0/4 | 1.18s |
| #49 | Qwen3.5 Plus 2026-02-15 none | Qwen | 3 | 4.8 | 1/4 | 1.91s |
| #53 | GLM 5 none | Z.ai | 3 | 4.8 | 1/4 | 2.37s |
| #55 | MiMo-V2-Omni none | Xiaomi | 3 | 4.8 | 1/4 | 1.10s |
| #58 | GLM 5V Turbo none | Z.ai | 3 | 4.8 | 1/4 | 3.13s |
| #67 | Qwen3.5-27B none | Qwen | 3 | 4.8 | 1/4 | 788ms |
| #69 | Kimi K2.6 none | Moonshot AI | 3 | 4.6 | 1/4 | 1.39s |
| #70 | Qwen3.5-122B-A10B none | Qwen | 3 | 4.8 | 1/4 | 1.59s |
| #73 | Mistral Small 4 medium | Mistral | 3 | 5.6 | 1/4 | 2.67s |
| #74 | GLM 4.7 Flash none | Z.ai | 3 | 5.2 | 1/4 | 5.51s |
| #82 | Grok 4.20 none | X AI | 3 | 4.8 | 1/4 | 501ms |
| #88 | Nemotron 3 Super none | NVIDIA | 3 | 4.8 | 1/4 | 7.43s |
| #89 | GPT-4o-mini none | OpenAI | 3 | 4.8 | 1/4 | 1.34s |