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) |
|---|---|---|---|---|---|---|
| #113 | DeepSeek V4 Pro none | DeepSeek | 2 | 5.3 | 1/3 | 3.17s |
| #114 | Qwen3.5 Plus 2026-04-20 none | Qwen | 2 | 5.3 | 1/3 | 4.43s |
| #116 | Hunter Alpha none | OpenRouter | 2 | 5.3 | 1/3 | 2.33s |
| #120 | Mimo V2 PRO none | Xiaomi | 2 | 5.3 | 1/3 | 1.78s |
| #121 | Owl Alpha none | Openrouter | 2 | 5.3 | 1/3 | 3.00s |
| #123 | MiMo-V2.5-Pro none | Xiaomi | 2 | 5.3 | 1/3 | 877ms |
| #124 | Kimi K2.6 none | Moonshot AI | 2 | 5.3 | 1/3 | 1.48s |
| #125 | GPT-5.4 none | OpenAI | 2 | 5.3 | 1/3 | 1.07s |
| #127 | Grok 4.20 none | X AI | 2 | 3.0 | 0/3 | 687ms |
| #128 | Qwen3.6 Flash none | Qwen | 2 | 5.3 | 1/3 | 1.11s |
| #129 | MiniMax M2.5 medium | Minimax | 2 | 2.9 | 0/3 | 237.3s |
| #131 | Qwen3.5-122B-A10B none | Qwen | 2 | 5.3 | 1/3 | 465ms |
| #133 | DeepSeek V3.2 none | DeepSeek | 2 | 2.9 | 0/3 | 4.17s |
| #134 | GLM 5 Turbo none | Z.ai | 2 | 5.3 | 1/3 | 1.97s |
| #135 | Kimi K2.5 none | Moonshot AI | 2 | 5.3 | 1/3 | 4.38s |