AI BENCHY श्रेणी अपयशे
सामान्य ज्ञान: चुकीचे उत्तर
सामान्य ज्ञान
चुकीचे उत्तर
सामान्य ज्ञान 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) |
|---|---|---|---|---|---|---|
| #3 | Claude Opus 4.7 medium | Anthropic | 1 | 3.0 | 0/1 | 2.25s |
| #4 | GPT-5.5 medium | OpenAI | 1 | 2.8 | 0/1 | 37.9s |
| #5 | Claude Opus 4.7 none | Anthropic | 1 | 3.0 | 0/1 | 1.46s |
| #6 | GPT-5.5 low | OpenAI | 1 | 3.0 | 0/1 | 10.1s |
| #9 | Qwen3.6 Max Preview medium | Qwen | 1 | 3.0 | 0/1 | 60.6s |
| #11 | Seed-2.0-Lite medium | Bytedance Seed | 1 | 3.0 | 0/1 | 48.3s |
| #12 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 1 | 3.0 | 0/1 | 103.8s |
| #13 | GPT-5.3-Codex medium | OpenAI | 1 | 2.8 | 0/1 | 14.4s |
| #14 | Gemma 4 31B medium | 1 | 3.0 | 0/1 | 90.1s | |
| #17 | Qwen3.5-27B medium | Qwen | 1 | 3.0 | 0/1 | 85.1s |
| #19 | GLM 5 medium | Z.ai | 1 | 3.0 | 0/1 | 67.4s |
| #20 | GLM 5 Turbo medium | Z.ai | 1 | 3.0 | 0/1 | 40.2s |
| #21 | Qwen3.6 35B A3B medium | Qwen | 1 | 3.0 | 0/1 | 32.9s |
| #22 | HY3 Preview high | Tencent | 1 | 3.0 | 0/1 | 47.7s |
| #23 | Gemini 3.1 Flash Lite Preview medium | 1 | 3.0 | 0/1 | 2.68s |