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) |
|---|---|---|---|---|---|---|
| #137 | Qwen3.6 35B A3B none | Qwen | 1 | 6.8 | 1/2 | 12.3s |
| #139 | MiMo-V2.5 none | Xiaomi | 1 | 6.8 | 1/2 | 3.74s |
| #140 | Trinity Large Preview none | Arcee AI | 1 | 4.9 | 0/1 | 14.3s |
| #141 | Qwen3 Coder Next medium | Qwen | 1 | 4.1 | 0/2 | 1.17s |
| #144 | Hy3 preview none | Tencent | 1 | 2.3 | 0/1 | 4.56s |
| #146 | Ling-2.6-1T none | Inclusionai | 1 | 5.5 | 0/1 | 10.6s |
| #149 | MiMo-V2-Flash none | Xiaomi | 1 | 4.9 | 0/2 | 2.04s |
| #150 | Grok 4.1 Fast none | X AI | 1 | 5.3 | 0/1 | 1.79s |
| #153 | Granite 4.1 8B none | IBM Granite | 1 | 5.2 | 0/2 | 706ms |