AI BENCHY श्रेणी अपयशे
संयुक्त: चुकीचे उत्तर
संयुक्त
चुकीचे उत्तर
संयुक्त मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #91 | Mercury 2 none | Inception | 1 | 3.0 | 0/1 | 606ms |
| #83 | Mistral Small 4 none | Mistral | 1 | 3.0 | 0/1 | 1.72s |
| #55 | MiMo-V2-Omni none | Xiaomi | 1 | 3.0 | 0/1 | 2.47s |
| #86 | GPT-5.4 Mini none | OpenAI | 1 | 3.0 | 0/1 | 2.52s |
| #94 | MiMo-V2-Flash none | Xiaomi | 1 | 3.0 | 0/1 | 2.87s |
| #66 | GPT-5.4 none | OpenAI | 1 | 3.0 | 0/1 | 2.89s |
| #29 | Gemini 3.1 Flash Lite Preview none | 1 | 3.0 | 0/1 | 3.20s | |
| #5 | Gemini 3 Flash Preview low | 1 | 3.0 | 0/1 | 3.27s | |
| #95 | Grok 4.1 Fast none | X AI | 1 | 3.0 | 0/1 | 3.33s |
| #69 | Kimi K2.6 none | Moonshot AI | 1 | 3.0 | 0/1 | 3.38s |
| #21 | Gemini 3 Flash Preview none | 1 | 4.7 | 0/1 | 3.56s | |
| #81 | Elephant medium | Openrouter | 1 | 3.0 | 0/1 | 3.70s |
| #85 | Elephant none | Openrouter | 1 | 3.0 | 0/1 | 3.81s |
| #96 | GPT-5.4 Nano none | OpenAI | 1 | 3.0 | 0/1 | 3.84s |
| #92 | Qwen3 Coder Next medium | Qwen | 1 | 3.0 | 0/1 | 4.28s |