AI BENCHY
तुलना करा चार्ट्स Paddhati
❤️ Made by XCS
AD
Track all your projects in one dashboard. Get 📊stats, 🔥heatmaps and 👀recordings in one self-hosted dashboard.
uxwizz.com

AI BENCHY श्रेणी अपयशे

Samanya Buddhimatta
सूचनांचे पालन केले नाही

Samanya Buddhimatta मध्ये कोणत्या AI मॉडेल्सना सूचनांचे पालन केले नाही येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.

दाखवलेली मॉडेल्स

32

एकूण अपयशे

32

सर्वाधिक प्रभावित मॉडेल

GPT-5.3-Codex 1
क्रमांक मॉडेल कंपनी सूचनांचे पालन केले नाही संख्या श्रेणी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#3 GPT-5.3-Codex medium OpenAI 1 4.0 0/1 4.87s
#7 Qwen3.5-27B medium Qwen 1 5.0 0/1 101.4s
#9 GPT-5.4 medium OpenAI 1 5.0 0/1 4.92s
#13 Step 3.5 Flash medium Stepfun 1 6.0 0/1 6.54s
#14 GLM 5 medium Z.ai 1 5.0 0/1 14.7s
#15 GPT-5.2 Chat none OpenAI 1 4.0 0/1 3.20s
#16 Gemini 2.5 Flash medium Google 1 4.0 0/1 4.86s
#17 Gemini 3.1 Flash Lite Preview low Google 1 3.0 0/1 1.54s
#18 DeepSeek V3.2 medium DeepSeek 1 3.0 0/1 31.3s
#19 GPT-5.3 Chat none OpenAI 1 4.0 0/1 1.99s
#21 MiMo-V2-Flash medium Xiaomi 1 3.0 0/1 4.20s
#22 Gemini 3.1 Flash Lite Preview none Google 1 3.0 0/1 741ms
#23 Seed-2.0-Mini medium Bytedance Seed 1 6.0 0/1 36.7s
#24 Qwen3.5-Flash medium Qwen 1 5.0 0/1 40.1s
#25 Claude Sonnet 4.6 none Anthropic 1 5.0 0/1 2.56s
#27 GPT-5.2 medium OpenAI 1 10.0 0/1 4.32s
#28 Kimi K2.5 medium Moonshot AI 1 6.0 0/1 69.7s
#30 Grok 4.1 Fast medium X AI 1 3.0 0/1 16.2s
#32 GPT-5 Mini medium OpenAI 1 4.0 0/1 13.5s
#34 GPT-5 Nano medium OpenAI 1 3.0 0/1 17.5s
#36 Mercury 2 medium Inception 1 4.0 0/1 821ms
#39 gpt-oss-120b medium OpenAI 1 3.0 0/1 7.90s
#40 Qwen3.5-122B-A10B none Qwen 1 5.0 0/1 1.12s
#41 Qwen3.5-27B none Qwen 1 5.0 0/1 2.51s
#42 Qwen3.5-35B-A3B none Qwen 1 6.0 0/1 1.19s
#43 MiniMax M2.5 medium Minimax 1 3.0 0/1 6.63s
#45 Trinity Large Preview none Arcee AI 1 3.0 0/1 2.86s
#50 Qwen3 Coder Next medium Qwen 1 6.0 0/1 1.39s
#51 Mercury 2 none Inception 1 4.0 0/1 628ms
#53 Grok 4.1 Fast none X AI 1 3.0 0/1 1.08s
#54 MiMo-V2-Flash none Xiaomi 1 4.0 0/1 1.67s
#55 LFM2-24B-A2B none Liquid 1 3.0 0/1 395ms

सूचनांचे पालन केले नाही संख्या नुसार शीर्ष मॉडेल्स

सूचनांचे पालन केले नाही संख्या विरुद्ध सरासरी स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स