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) |
|---|---|---|---|---|---|---|
| #137 | Elephant Alpha none | Openrouter | 3 | 3.0 | 0/3 | 927ms |
| #138 | Ling-2.6-flash none | Inclusionai | 3 | 3.0 | 0/3 | 4.95s |
| #141 | Nemotron 3 Super none | NVIDIA | 3 | 3.6 | 0/3 | 6.23s |
| #143 | MiMo-V2.5 none | Xiaomi | 3 | 3.0 | 0/3 | 756ms |
| #144 | GPT-5.4 Mini none | OpenAI | 3 | 3.5 | 0/3 | 937ms |
| #145 | Laguna M.1 none | Poolside | 3 | 3.6 | 0/3 | 5.50s |
| #147 | GPT-4o-mini none | OpenAI | 3 | 3.0 | 0/3 | 637ms |
| #148 | GPT-5.4 Nano none | OpenAI | 3 | 2.9 | 0/3 | 926ms |
| #153 | Qwen3.6 35B A3B none | Qwen | 3 | 3.5 | 0/3 | 7.45s |
| #154 | Qwen3.5-9B none | Qwen | 3 | 3.0 | 0/3 | 464ms |
| #159 | Ling-2.6-1T none | Inclusionai | 3 | 3.0 | 0/3 | 1.04s |
| #162 | Nemotron 3 Nano Omni 30b A3b Reasoning none | NVIDIA | 3 | 3.6 | 0/3 | 489ms |
| #163 | Granite 4.1 8B none | IBM Granite | 3 | 3.0 | 0/3 | 357ms |
| #5 | Qwen3.7 Max medium | Qwen | 2 | 5.9 | 1/3 | 24.9s |
| #6 | GPT-5.5 low | OpenAI | 2 | 5.3 | 1/3 | 28.1s |