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.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #65 | MiMo-V2-Pro none | Xiaomi | 1 | 3.0 | 0/1 | 6.58s |
| #66 | GPT-5.4 none | OpenAI | 1 | 3.0 | 0/1 | 2.89s |
| #67 | Qwen3.5-27B none | Qwen | 1 | 2.8 | 0/1 | 9.39s |
| #69 | Kimi K2.6 none | Moonshot AI | 1 | 3.0 | 0/1 | 3.38s |
| #70 | Qwen3.5-122B-A10B none | Qwen | 1 | 3.0 | 0/1 | 46.0s |
| #72 | Hunter Alpha none | OpenRouter | 1 | 3.0 | 0/1 | 15.2s |
| #73 | Mistral Small 4 medium | Mistral | 1 | 3.0 | 0/1 | 25.3s |
| #76 | Kimi K2.5 none | Moonshot AI | 1 | 2.8 | 0/1 | 19.2s |
| #77 | GLM 5 Turbo none | Z.ai | 1 | 3.0 | 0/1 | 4.89s |
| #78 | Trinity Large Preview none | Arcee AI | 1 | 3.0 | 0/1 | 8.91s |
| #81 | Elephant medium | Openrouter | 1 | 3.0 | 0/1 | 3.70s |
| #83 | Mistral Small 4 none | Mistral | 1 | 3.0 | 0/1 | 1.72s |
| #85 | Elephant none | Openrouter | 1 | 3.0 | 0/1 | 3.81s |
| #86 | GPT-5.4 Mini none | OpenAI | 1 | 3.0 | 0/1 | 2.52s |
| #87 | Qwen3 Coder Next none | Qwen | 1 | 3.0 | 0/1 | 45.1s |