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) |
|---|---|---|---|---|---|---|
| #15 | Gemini 2.5 Flash medium | 1 | 8.4 | 3/4 | 6.30s | |
| #16 | GPT-5.4 medium | OpenAI | 1 | 8.3 | 3/4 | 4.11s |
| #21 | Gemini 3 Flash Preview none | 1 | 8.3 | 3/4 | 1.25s | |
| #22 | Gemini 3.1 Flash Lite Preview low | 1 | 8.3 | 3/4 | 2.12s | |
| #25 | Grok 4.20 Beta medium | X AI | 1 | 8.7 | 3/4 | 3.16s |
| #26 | Claude Sonnet 4.6 medium | Anthropic | 1 | 6.5 | 2/4 | 2.98s |
| #27 | DeepSeek V3.2 medium | DeepSeek | 1 | 8.4 | 3/4 | 30.7s |
| #28 | GPT-5.2 Chat none | OpenAI | 1 | 8.7 | 3/4 | 3.40s |
| #29 | Gemini 3.1 Flash Lite Preview none | 1 | 7.5 | 2/4 | 1.04s | |
| #31 | GLM 5V Turbo medium | Z.ai | 1 | 7.2 | 2/4 | 10.8s |
| #34 | Kimi K2.6 medium | Moonshot AI | 1 | 7.0 | 2/4 | 11.6s |
| #36 | GPT-5.3 Chat none | OpenAI | 1 | 6.7 | 2/4 | 3.86s |
| #38 | GPT-5.4 Nano medium | OpenAI | 1 | 8.3 | 3/4 | 4.52s |
| #39 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 6.6 | 2/4 | 74.7s |
| #40 | GPT-5.2 medium | OpenAI | 1 | 6.5 | 2/4 | 7.81s |