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) |
|---|---|---|---|---|---|---|
| #125 | GPT-5.4 none | OpenAI | 1 | 3.0 | 0/1 | 2.89s |
| #131 | Qwen3.5-122B-A10B none | Qwen | 1 | 3.0 | 0/1 | 46.0s |
| #132 | Mistral Small 4 medium | Mistral | 1 | 3.0 | 0/1 | 25.3s |
| #134 | GLM 5 Turbo none | Z.ai | 1 | 3.0 | 0/1 | 4.89s |
| #135 | Kimi K2.5 none | Moonshot AI | 1 | 2.8 | 0/1 | 19.2s |
| #136 | Elephant Alpha medium | Openrouter | 1 | 3.0 | 0/1 | 3.70s |
| #137 | Elephant Alpha none | Openrouter | 1 | 3.0 | 0/1 | 3.81s |
| #140 | Qwen3 Coder Next none | Qwen | 1 | 3.0 | 0/1 | 45.1s |
| #141 | Nemotron 3 Super none | NVIDIA | 1 | 3.0 | 0/1 | 16.4s |
| #142 | Mistral Small 4 none | Mistral | 1 | 3.0 | 0/1 | 1.72s |
| #143 | MiMo-V2.5 none | Xiaomi | 1 | 3.0 | 0/1 | 2.36s |
| #144 | GPT-5.4 Mini none | OpenAI | 1 | 3.0 | 0/1 | 2.52s |
| #146 | Laguna Xs.2 none | Poolside | 1 | 3.0 | 0/1 | 2.01s |
| #147 | GPT-4o-mini none | OpenAI | 1 | 3.0 | 0/1 | 7.58s |
| #148 | GPT-5.4 Nano none | OpenAI | 1 | 3.0 | 0/1 | 3.84s |