AI BENCHY श्रेणी अपयशे
Samanya Buddhimatta: चुकीचे उत्तर
Samanya Buddhimatta
चुकीचे उत्तर
Samanya Buddhimatta मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: प्रतिसाद वेळ (सरासरी) ↓.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #36 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 1 | 4.9 | 0/1 | 25.3s |
| #139 | DeepSeek V4 Flash none | DeepSeek | 1 | 4.2 | 0/1 | 23.7s |
| #47 | Grok Build 0.1 medium | X AI | 1 | 4.4 | 0/1 | 18.4s |
| #158 | GLM 4.7 Flash medium | Z.ai | 1 | 3.6 | 0/1 | 18.1s |
| #96 | Ring-2.6-1T none | Inclusionai | 1 | 4.3 | 0/1 | 15.6s |
| #104 | Nemotron 3 Ultra 550b A55b none | NVIDIA | 1 | 5.0 | 0/1 | 13.5s |
| #100 | Grok Build 0.1 none | X AI | 1 | 4.3 | 0/1 | 12.5s |
| #126 | gpt-oss-120b none | OpenAI | 1 | 4.8 | 0/1 | 10.8s |
| #23 | GLM 5 Turbo medium | Z.ai | 1 | 6.1 | 0/1 | 10.1s |
| #39 | Qwen3.6 Flash medium | Qwen | 1 | 4.8 | 0/1 | 9.88s |
| #57 | Step 3.7 Flash low | Stepfun | 1 | 3.4 | 0/1 | 7.00s |
| #143 | MiMo-V2.5 none | Xiaomi | 1 | 4.4 | 0/1 | 6.86s |
| #22 | Step 3.7 Flash medium | Stepfun | 1 | 4.0 | 0/1 | 6.85s |
| #71 | Step 3.7 Flash high | Stepfun | 1 | 5.5 | 0/1 | 4.17s |
| #80 | Mimo V2 Omni medium | Xiaomi | 1 | 5.4 | 0/1 | 3.61s |