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) |
|---|---|---|---|---|---|---|
| #42 | Claude Sonnet 4.6 none | Anthropic | 1 | 4.8 | 1/4 | 2.94s |
| #44 | GPT-5.4 Mini medium | OpenAI | 1 | 8.6 | 3/4 | 4.05s |
| #45 | GPT-5 Mini medium | OpenAI | 1 | 7.1 | 2/4 | 13.9s |
| #46 | Kimi K2.5 medium | Moonshot AI | 1 | 7.3 | 2/4 | 51.4s |
| #47 | Grok 4.20 medium | X AI | 1 | 8.2 | 3/4 | 3.36s |
| #52 | Grok 4.1 Fast medium | X AI | 1 | 8.7 | 3/4 | 3.81s |
| #54 | Mercury 2 medium | Inception | 1 | 6.9 | 2/4 | 1.12s |
| #56 | Grok 4.20 Multi Agent Beta medium | X AI | 1 | 6.9 | 2/4 | 3.46s |
| #60 | Gemma 4 26B A4B none | 1 | 8.3 | 3/4 | 1.28s | |
| #68 | gpt-oss-120b medium | OpenAI | 1 | 6.7 | 2/4 | 10.2s |
| #80 | MiniMax M2.7 medium | Minimax | 1 | 7.9 | 2/4 | 40.3s |
| #84 | gpt-oss-120b none | OpenAI | 1 | 6.6 | 2/4 | 6.03s |
| #85 | Elephant none | Openrouter | 1 | 6.6 | 2/4 | 963ms |
| #97 | Qwen3.5-9B medium | Qwen | 1 | 5.1 | 1/4 | 34.4s |