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.
अयशस्वी होण्याची कारणे
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|
| #48 | Gemini 3 Flash Preview none | 1 | 7.7 | 2/3 | 1.05s | |
| #54 | GPT-5 Mini medium | OpenAI | 1 | 5.6 | 1/3 | 15.2s |
| #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 |
| #60 | Kimi K2.6 medium | Moonshot AI | 1 | 6.0 | 1/3 | 25.1s |
| #62 | Step 3.5 Flash medium | Stepfun | 1 | 5.3 | 1/3 | 7.22s |
| #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 |
| #72 | DeepSeek V3.2 medium | DeepSeek | 1 | 7.0 | 1/3 | 37.7s |
| #73 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 8.2 | 2/3 | 31.8s |
| #75 | Ring-2.6-1T medium | Inclusionai | 1 | 5.9 | 1/3 | 20.7s |
| #76 | Kimi K2.5 medium | Moonshot AI | 1 | 5.3 | 1/3 | 43.2s |
| #78 | Qwen3.6 27B medium | Qwen | 1 | 7.7 | 2/3 | 61.1s |