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: बरोबर चाचण्या ↓.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #16 | Gemini 3 Flash Preview low | 1 | 3.0 | 0/1 | 3.27s | |
| #34 | Qwen3.7 Max none | Qwen | 1 | 3.0 | 0/1 | 2.17s |
| #35 | Gemini 3 PRO Preview medium | 1 | 3.0 | 0/1 | 10.4s | |
| #48 | Gemini 3 Flash Preview none | 1 | 4.7 | 0/1 | 3.56s | |
| #50 | Gemini 3.1 Flash Lite Preview low | 1 | 3.0 | 0/1 | 11.9s | |
| #51 | Mimo V2 PRO medium | Xiaomi | 1 | 4.7 | 0/1 | 64.7s |
| #58 | Gemini 3.1 Flash Lite Preview none | 1 | 3.0 | 0/1 | 3.20s | |
| #61 | Gemini 3.1 Flash Lite low | 1 | 3.0 | 0/1 | 4.48s | |
| #74 | Qwen3.6 Max Preview none | Qwen | 1 | 3.0 | 0/1 | 20.5s |
| #87 | Gemini 3.1 Flash Lite minimal | 1 | 3.0 | 0/1 | 2.53s | |
| #90 | Gemini 3.1 Flash Lite none | 1 | 3.0 | 0/1 | 2.73s | |
| #91 | GPT-5.5 none | OpenAI | 1 | 3.0 | 0/1 | 5.56s |
| #95 | Qwen3.5 Plus 2026-02-15 none | Qwen | 1 | 3.0 | 0/1 | 6.65s |
| #97 | Gemini 2.5 Flash none | 1 | 3.0 | 0/1 | 4.39s | |
| #98 | GLM 5 none | Z.ai | 1 | 3.0 | 0/1 | 4.98s |