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

सूचनांचे पालन
चुकीचे उत्तर

सूचनांचे पालन मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.

दाखवलेली मॉडेल्स

21

एकूण अपयशे

26

सर्वाधिक प्रभावित मॉडेल

Qwen3.5-122B-A10B 2
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या श्रेणी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#40 Qwen3.5-122B-A10B none Qwen 2 4.5 0/2 585ms
#41 Qwen3.5-27B none Qwen 2 4.5 0/2 815ms
#48 Qwen3 Coder Next none Qwen 2 4.5 0/2 7.71s
#53 Grok 4.1 Fast none X AI 2 10.0 0/2 923ms
#55 LFM2-24B-A2B none Liquid 2 4.5 0/2 1.09s
#15 GPT-5.2 Chat none OpenAI 1 6.0 1/2 5.46s
#19 GPT-5.3 Chat none OpenAI 1 9.0 1/2 3.29s
#20 Gemini 3 Flash Preview none Google 1 5.5 1/2 1.58s
#25 Claude Sonnet 4.6 none Anthropic 1 5.5 1/2 1.96s
#37 Qwen3.5-Flash none Qwen 1 5.0 1/2 8.81s
#38 Gemini 2.5 Flash none Google 1 9.0 1/2 672ms
#42 Qwen3.5-35B-A3B none Qwen 1 5.0 1/2 809ms
#44 GPT-5.4 none OpenAI 1 5.5 1/2 1.07s
#45 Trinity Large Preview none Arcee AI 1 3.5 0/2 1.09s
#46 Kimi K2.5 none Moonshot AI 1 5.5 1/2 2.67s
#47 GPT-4o-mini none OpenAI 1 4.5 0/2 1.27s
#49 GLM 4.7 Flash none Z.ai 1 5.5 1/2 888ms
#50 Qwen3 Coder Next medium Qwen 1 4.5 0/2 7.34s
#51 Mercury 2 none Inception 1 5.5 1/2 551ms
#52 GLM 4.7 Flash medium Z.ai 1 5.0 1/2 2.97s
#54 MiMo-V2-Flash none Xiaomi 1 5.5 1/2 857ms

चुकीचे उत्तर संख्या नुसार शीर्ष मॉडेल्स

चुकीचे उत्तर संख्या विरुद्ध सरासरी स्कोअर

प्रतिसाद वेळ (सरासरी) नुसार शीर्ष मॉडेल्स

अंदाजित वाया गेलेला खर्च नुसार शीर्ष मॉडेल्स