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. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↑.

दाखवलेली मॉडेल्स

32

एकूण अपयशे

32

सर्वाधिक प्रभावित मॉडेल

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

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