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) |
|---|---|---|---|---|---|---|
| #51 | Mimo V2 PRO medium | Xiaomi | 1 | 4.7 | 0/1 | 64.7s |
| #117 | Qwen3.5-35B-A3B none | Qwen | 1 | 3.0 | 0/1 | 47.4s |
| #131 | Qwen3.5-122B-A10B none | Qwen | 1 | 3.0 | 0/1 | 46.0s |
| #140 | Qwen3 Coder Next none | Qwen | 1 | 3.0 | 0/1 | 45.1s |
| #156 | Hy3 preview none | Tencent | 1 | 3.0 | 0/1 | 35.8s |
| #102 | Gemma 4 26B A4B none | 1 | 3.0 | 0/1 | 30.5s | |
| #132 | Mistral Small 4 medium | Mistral | 1 | 3.0 | 0/1 | 25.3s |
| #159 | Ling-2.6-1T none | Inclusionai | 1 | 3.0 | 0/1 | 23.5s |
| #121 | Owl Alpha none | Openrouter | 1 | 3.0 | 0/1 | 21.7s |
| #74 | Qwen3.6 Max Preview none | Qwen | 1 | 3.0 | 0/1 | 20.5s |
| #135 | Kimi K2.5 none | Moonshot AI | 1 | 2.8 | 0/1 | 19.2s |
| #141 | Nemotron 3 Super none | NVIDIA | 1 | 3.0 | 0/1 | 16.4s |
| #107 | Laguna Xs.2 medium | Poolside | 1 | 3.0 | 0/1 | 15.9s |
| #116 | Hunter Alpha none | OpenRouter | 1 | 3.0 | 0/1 | 15.2s |
| #114 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 2.8 | 0/1 | 13.3s |