AI BENCHY
Advertise here

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.

दाखवलेली मॉडेल्स

15

एकूण अपयशे

245

सर्वाधिक प्रभावित मॉडेल

Gemini 2.5 Flash 4

अयशस्वी होण्याची कारणे

चुकीचे उत्तर245 सूचनांचे पालन केले नाही30 अतिरिक्त फॉरमॅटिंग14 API त्रुटी13 वेळ संपला4 उत्तर नाही2

श्रेणी

डोमेन-विशिष्ट314 अँटी-एआय युक्त्या245 कोडिंग194 कोडी सोडवणे147 सामान्य ज्ञान130 सूचनांचे पालन53 संयुक्त52 डेटा पार्सिंग आणि निष्कर्षण35 Samanya Buddhimatta32 टूल कॉलिंग2
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या श्रेणी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#157 Grok 4.1 Fast none X AI 3 3.2 0/4 1.07s
#160 LFM2-24B-A2B none Liquid 3 3.3 0/3 471ms
#32 Gemini 3.5 Flash minimal Google 2 6.5 2/4 892ms
#34 Qwen3.7 Max none Qwen 2 6.5 2/4 1.08s
#61 Gemini 3.1 Flash Lite low Google 2 7.3 2/4 1.84s
#67 MiniMax M3 medium Minimax 2 5.5 1/4 14.9s
#79 Hunter Alpha medium OpenRouter 2 7.3 2/4 4.75s
#85 Gemma 4 31B none Google 2 6.5 2/4 1.85s
#88 Qwen3.7 Plus none Qwen 2 6.5 2/4 1.38s
#90 Gemini 3.1 Flash Lite none Google 2 7.5 2/4 1.07s
#91 GPT-5.5 none OpenAI 2 6.9 2/4 1.31s
#94 GPT-5 Nano medium OpenAI 2 6.5 2/4 25.5s
#136 Elephant Alpha medium Openrouter 2 6.6 2/4 1.19s
#140 Qwen3 Coder Next none Qwen 2 3.6 0/4 3.31s
#146 Laguna Xs.2 none Poolside 2 3.0 0/4 534ms

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या वि स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स