AI BENCHY श्रेणी अपयशे
कोडी सोडवणे: चुकीचे उत्तर
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 ↓.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #7 | Gemini 3.5 Flash medium | 1 | 7.7 | 2/3 | 2.38s | |
| #24 | GPT-5.2 Chat none | OpenAI | 1 | 7.7 | 2/3 | 4.10s |
| #28 | Gemini 2.5 Flash medium | 1 | 7.7 | 2/3 | 3.18s | |
| #36 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 1 | 8.2 | 2/3 | 17.7s |
| #40 | Gemini 3.1 Flash Lite Preview medium | 1 | 7.7 | 2/3 | 5.30s | |
| #44 | Gemini 3.1 Flash Lite medium | 1 | 7.6 | 2/3 | 1.95s | |
| #46 | Qwen3.6 35B A3B medium | Qwen | 1 | 8.0 | 2/3 | 5.95s |
| #47 | Grok Build 0.1 medium | X AI | 1 | 7.7 | 2/3 | 18.3s |
| #48 | Gemini 3 Flash Preview none | 1 | 7.7 | 2/3 | 1.05s | |
| #55 | GLM 5.1 medium | Z.ai | 1 | 8.2 | 2/3 | 31.6s |
| #59 | GLM 5V Turbo medium | Z.ai | 1 | 7.7 | 2/3 | 10.2s |
| #64 | MiMo-V2-Flash medium | Xiaomi | 1 | 7.7 | 2/3 | 3.87s |
| #65 | Grok 4.20 medium | X AI | 1 | 7.7 | 2/3 | 6.22s |
| #67 | MiniMax M3 medium | Minimax | 1 | 7.9 | 2/3 | 49.9s |
| #69 | Claude Opus 4.6 medium | Anthropic | 1 | 7.7 | 2/3 | 4.71s |