AI BENCHY
तुलना करा चार्ट्स Paddhati
❤️ Made by XCS
Your ad here

AI BENCHY श्रेणी अपयशे

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) ↓.

दाखवलेली मॉडेल्स

21

एकूण अपयशे

21

सर्वाधिक प्रभावित मॉडेल

Qwen3.5-35B-A3B 1
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या श्रेणी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#42 Qwen3.5-35B-A3B none Qwen 1 10.0 0/1 47.4s
#40 Qwen3.5-122B-A10B none Qwen 1 10.0 0/1 46.0s
#48 Qwen3 Coder Next none Qwen 1 10.0 0/1 45.1s
#46 Kimi K2.5 none Moonshot AI 1 10.0 0/1 19.2s
#17 Gemini 3.1 Flash Lite Preview low Google 1 10.0 0/1 11.9s
#6 Gemini 3 Pro Preview medium Google 1 10.0 0/1 10.4s
#41 Qwen3.5-27B none Qwen 1 10.0 0/1 9.39s
#45 Trinity Large Preview none Arcee AI 1 10.0 0/1 8.91s
#47 GPT-4o-mini none OpenAI 1 10.0 0/1 7.58s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 1 10.0 0/1 6.65s
#37 Qwen3.5-Flash none Qwen 1 10.0 0/1 6.22s
#31 GLM 5 none Z.ai 1 10.0 0/1 4.98s
#38 Gemini 2.5 Flash none Google 1 10.0 0/1 4.39s
#50 Qwen3 Coder Next medium Qwen 1 10.0 0/1 4.28s
#20 Gemini 3 Flash Preview none Google 1 10.0 0/1 3.56s
#53 Grok 4.1 Fast none X AI 1 10.0 0/1 3.33s
#5 Gemini 3 Flash Preview low Google 1 10.0 0/1 3.27s
#22 Gemini 3.1 Flash Lite Preview none Google 1 10.0 0/1 3.20s
#44 GPT-5.4 none OpenAI 1 10.0 0/1 2.89s
#54 MiMo-V2-Flash none Xiaomi 1 10.0 0/1 2.87s
#51 Mercury 2 none Inception 1 10.0 0/1 606ms

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या विरुद्ध सरासरी स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स