AI BENCHY श्रेणी अपयशे
डोमेन-विशिष्ट: चुकीचे उत्तर
डोमेन-विशिष्ट
चुकीचे उत्तर
डोमेन-विशिष्ट 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) |
|---|---|---|---|---|---|---|
| #81 | Elephant medium | Openrouter | 3 | 3.0 | 0/3 | 925ms |
| #84 | gpt-oss-120b none | OpenAI | 3 | 3.0 | 0/3 | 35.0s |
| #85 | Elephant none | Openrouter | 3 | 3.0 | 0/3 | 927ms |
| #86 | GPT-5.4 Mini none | OpenAI | 3 | 3.5 | 0/3 | 937ms |
| #88 | Nemotron 3 Super none | NVIDIA | 3 | 3.6 | 0/3 | 6.23s |
| #89 | GPT-4o-mini none | OpenAI | 3 | 3.0 | 0/3 | 637ms |
| #90 | Qwen3.5-9B none | Qwen | 3 | 3.0 | 0/3 | 464ms |
| #96 | GPT-5.4 Nano none | OpenAI | 3 | 2.9 | 0/3 | 926ms |
| #5 | Gemini 3 Flash Preview low | 2 | 5.3 | 1/3 | 8.05s | |
| #6 | Seed-2.0-Lite medium | Bytedance Seed | 2 | 5.9 | 1/3 | 88.7s |
| #7 | GPT-5.3-Codex medium | OpenAI | 2 | 5.9 | 1/3 | 64.3s |
| #11 | Gemini 3.1 Flash Lite Preview high | 2 | 5.3 | 1/3 | 127.6s | |
| #12 | Gemini 3 PRO Preview medium | 2 | 5.3 | 1/3 | 7.01s | |
| #13 | GLM 5 medium | Z.ai | 2 | 3.5 | 0/3 | 0ms |
| #15 | Gemini 2.5 Flash medium | 2 | 5.9 | 1/3 | 37.3s |