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) |
|---|---|---|---|---|---|---|
| #142 | Mistral Small 4 none | Mistral | 4 | 3.4 | 0/4 | 395ms |
| #143 | MiMo-V2.5 none | Xiaomi | 4 | 3.5 | 0/4 | 2.19s |
| #144 | GPT-5.4 Mini none | OpenAI | 4 | 3.1 | 0/4 | 929ms |
| #148 | GPT-5.4 Nano none | OpenAI | 4 | 3.5 | 0/4 | 1.18s |
| #151 | Trinity Large Preview none | Arcee AI | 4 | 3.1 | 0/4 | 2.07s |
| #152 | MiMo-V2-Flash none | Xiaomi | 4 | 3.2 | 0/4 | 1.19s |
| #153 | Qwen3.6 35B A3B none | Qwen | 4 | 3.6 | 0/4 | 2.10s |
| #154 | Qwen3.5-9B none | Qwen | 4 | 3.1 | 0/4 | 1.71s |
| #155 | Mercury 2 none | Inception | 4 | 3.0 | 0/4 | 483ms |
| #159 | Ling-2.6-1T none | Inclusionai | 4 | 3.4 | 0/4 | 6.55s |
| #74 | Qwen3.6 Max Preview none | Qwen | 3 | 5.2 | 1/4 | 2.63s |
| #95 | Qwen3.5 Plus 2026-02-15 none | Qwen | 3 | 4.8 | 1/4 | 1.91s |
| #98 | GLM 5 none | Z.ai | 3 | 4.8 | 1/4 | 2.37s |
| #101 | Mimo V2 Omni none | Xiaomi | 3 | 3.6 | 0/4 | 1.63s |
| #109 | GLM 5V Turbo none | Z.ai | 3 | 4.8 | 1/4 | 3.13s |