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) |
|---|---|---|---|---|---|---|
| #5 | Gemini 3 Flash Preview low | 1 | 3.0 | 0/1 | 3.27s | |
| #12 | Gemini 3 PRO Preview medium | 1 | 3.0 | 0/1 | 10.4s | |
| #21 | Gemini 3 Flash Preview none | 1 | 4.7 | 0/1 | 3.56s | |
| #22 | Gemini 3.1 Flash Lite Preview low | 1 | 3.0 | 0/1 | 11.9s | |
| #23 | MiMo-V2-Pro medium | Xiaomi | 1 | 4.7 | 0/1 | 64.7s |
| #29 | Gemini 3.1 Flash Lite Preview none | 1 | 3.0 | 0/1 | 3.20s | |
| #49 | Qwen3.5 Plus 2026-02-15 none | Qwen | 1 | 3.0 | 0/1 | 6.65s |
| #53 | GLM 5 none | Z.ai | 1 | 3.0 | 0/1 | 4.98s |
| #55 | MiMo-V2-Omni none | Xiaomi | 1 | 3.0 | 0/1 | 2.47s |
| #58 | GLM 5V Turbo none | Z.ai | 1 | 3.0 | 0/1 | 6.51s |
| #59 | Qwen3.5-Flash none | Qwen | 1 | 3.0 | 0/1 | 6.22s |
| #60 | Gemma 4 26B A4B none | 1 | 3.0 | 0/1 | 30.5s | |
| #61 | Seed-2.0-Lite none | Bytedance Seed | 1 | 3.0 | 0/1 | 6.59s |
| #62 | Gemini 2.5 Flash none | 1 | 3.0 | 0/1 | 4.39s | |
| #63 | Qwen3.5-35B-A3B none | Qwen | 1 | 3.0 | 0/1 | 47.4s |