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

कोडी सोडवणे
चुकीचे उत्तर

कोडी सोडवणे मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील. क्रम लावा: बरोबर चाचण्या ↑.

दाखवलेली मॉडेल्स

38

एकूण अपयशे

55

सर्वाधिक प्रभावित मॉडेल

Mercury 2 1
क्रमांक मॉडेल कंपनी चुकीचे उत्तर संख्या श्रेणी स्कोअर बरोबर चाचण्या प्रतिसाद वेळ (सरासरी)
#36 Mercury 2 medium Inception 1 1.7 0/3 934ms
#37 Qwen3.5-Flash none Qwen 2 1.3 0/3 5.90s
#39 gpt-oss-120b medium OpenAI 1 1.7 0/3 11.8s
#42 Qwen3.5-35B-A3B none Qwen 2 1.7 0/3 1.34s
#46 Kimi K2.5 none Moonshot AI 3 10.0 0/3 4.73s
#47 GPT-4o-mini none OpenAI 3 2.3 0/3 1.30s
#48 Qwen3 Coder Next none Qwen 3 1.3 0/3 22.9s
#49 GLM 4.7 Flash none Z.ai 1 3.7 0/3 1.00s
#50 Qwen3 Coder Next medium Qwen 1 10.0 0/3 2.30s
#51 Mercury 2 none Inception 3 10.0 0/3 533ms
#52 GLM 4.7 Flash medium Z.ai 2 10.0 0/3 12.9s
#53 Grok 4.1 Fast none X AI 3 1.3 0/3 1.28s
#54 MiMo-V2-Flash none Xiaomi 3 10.0 0/3 1.38s
#55 LFM2-24B-A2B none Liquid 1 3.3 0/3 1.69s
#13 Step 3.5 Flash medium Stepfun 1 4.0 1/3 7.72s
#28 Kimi K2.5 medium Moonshot AI 1 4.0 1/3 45.4s
#30 Grok 4.1 Fast medium X AI 1 4.0 1/3 8.08s
#32 GPT-5 Mini medium OpenAI 1 4.3 1/3 14.1s
#34 GPT-5 Nano medium OpenAI 1 4.0 1/3 19.8s
#35 Qwen3.5-35B-A3B medium Qwen 1 4.0 1/3 31.6s
#38 Gemini 2.5 Flash none Google 1 4.7 1/3 576ms
#40 Qwen3.5-122B-A10B none Qwen 2 4.0 1/3 982ms
#41 Qwen3.5-27B none Qwen 1 6.3 1/3 1.37s
#43 MiniMax M2.5 medium Minimax 1 4.0 1/3 11.5s
#44 GPT-5.4 none OpenAI 1 4.0 1/3 1.52s
#45 Trinity Large Preview none Arcee AI 2 4.0 1/3 3.30s
#8 Gemini 3.1 Flash Lite Preview high Google 1 7.0 2/3 46.3s
#12 Gemini 3.1 Flash Lite Preview medium Google 1 7.0 2/3 3.58s
#15 GPT-5.2 Chat none OpenAI 1 7.0 2/3 4.42s
#16 Gemini 2.5 Flash medium Google 1 7.0 2/3 3.94s
#18 DeepSeek V3.2 medium DeepSeek 1 7.0 2/3 36.9s
#20 Gemini 3 Flash Preview none Google 1 7.0 2/3 1.06s
#21 MiMo-V2-Flash medium Xiaomi 1 7.0 2/3 3.77s
#23 Seed-2.0-Mini medium Bytedance Seed 1 7.0 2/3 25.9s
#26 Claude Opus 4.6 medium Anthropic 1 7.0 2/3 4.60s
#29 Qwen3.5 Plus 2026-02-15 none Qwen 1 7.0 2/3 2.82s
#31 GLM 5 none Z.ai 1 7.0 2/3 2.05s
#33 DeepSeek V3.2 none DeepSeek 1 7.7 2/3 7.37s

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