AI BENCHY श्रेणी अपयशे
कोडिंग: चुकीचे उत्तर
कोडिंग
चुकीचे उत्तर
कोडिंग 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) |
|---|---|---|---|---|---|---|
| #32 | MiMo-V2-Omni medium | Xiaomi | 1 | 4.0 | 0/1 | 68.5s |
| #44 | Grok 4.20 medium | X AI | 1 | 4.3 | 0/1 | 24.3s |
| #46 | Qwen3.5 Plus 2026-02-15 none | Qwen | 1 | 6.3 | 0/1 | 3.63s |
| #50 | GLM 5 none | Z.ai | 1 | 5.6 | 0/1 | 8.84s |
| #52 | MiMo-V2-Omni none | Xiaomi | 1 | 6.6 | 0/1 | 1.72s |
| #54 | GPT-5 Nano medium | OpenAI | 1 | 6.7 | 0/1 | 40.7s |
| #61 | DeepSeek V3.2 none | DeepSeek | 1 | 2.4 | 0/1 | 7.63s |
| #65 | gpt-oss-120b medium | OpenAI | 1 | 4.3 | 0/1 | 26.3s |
| #66 | Qwen3.5-122B-A10B none | Qwen | 1 | 4.3 | 0/1 | 3.44s |
| #69 | Mistral Small 4 medium | Mistral | 1 | 6.7 | 0/1 | 30.5s |
| #70 | GLM 4.7 Flash none | Z.ai | 1 | 6.4 | 0/1 | 5.57s |
| #71 | GLM 5.1 none | Z.ai | 1 | 5.1 | 0/1 | 9.79s |
| #73 | GLM 5 Turbo none | Z.ai | 1 | 5.3 | 0/1 | 3.93s |
| #74 | Trinity Large Preview none | Arcee AI | 1 | 6.3 | 0/1 | 39.5s |
| #75 | Grok 4.20 Beta none | X AI | 1 | 5.5 | 0/1 | 1.14s |