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: प्रतिसाद वेळ (सरासरी) ↓.

दाखवलेली मॉडेल्स

38

एकूण अपयशे

55

सर्वाधिक प्रभावित मॉडेल

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

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