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) |
|---|---|---|---|---|---|---|
| #88 | Nemotron 3 Super none | NVIDIA | 1 | 3.0 | 0/1 | 20.0s |
| #89 | GPT-4o-mini none | OpenAI | 1 | 3.0 | 0/1 | 7.58s |
| #91 | Mercury 2 none | Inception | 1 | 3.0 | 0/1 | 606ms |
| #92 | Qwen3 Coder Next medium | Qwen | 1 | 3.0 | 0/1 | 4.28s |
| #94 | MiMo-V2-Flash none | Xiaomi | 1 | 3.0 | 0/1 | 2.87s |
| #95 | Grok 4.1 Fast none | X AI | 1 | 3.0 | 0/1 | 3.33s |
| #96 | GPT-5.4 Nano none | OpenAI | 1 | 3.0 | 0/1 | 3.84s |