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) |
|---|---|---|---|---|---|---|
| #24 | Grok 4.3 medium | X AI | 1 | 3.0 | 0/1 | 44.5s |
| #25 | Gemini 2.5 Flash medium | 1 | 3.0 | 0/1 | 2.76s | |
| #26 | GPT-5.4 medium | OpenAI | 1 | 3.0 | 0/1 | 14.0s |
| #27 | Gemini 3.1 Flash Lite medium | 1 | 3.0 | 0/1 | 3.08s | |
| #28 | Qwen3.6 Plus medium | Qwen | 1 | 3.0 | 0/1 | 47.5s |
| #29 | Gemini 3 Flash Preview none | 1 | 3.0 | 0/1 | 1.07s | |
| #30 | Gemini 3.1 Flash Lite Preview low | 1 | 3.0 | 0/1 | 1.35s | |
| #31 | Qwen3.5-122B-A10B medium | Qwen | 1 | 3.0 | 0/1 | 52.9s |
| #33 | Qwen3.5 Plus 2026-04-20 medium | Qwen | 1 | 3.0 | 0/1 | 92.6s |
| #34 | HY3 Preview medium | Tencent | 1 | 3.0 | 0/1 | 39.9s |
| #35 | Claude Sonnet 4.6 medium | Anthropic | 1 | 3.0 | 0/1 | 30.1s |
| #36 | Step 3.5 Flash none | Stepfun | 1 | 3.0 | 0/1 | 114.1s |
| #37 | MiMo-V2-Pro medium | Xiaomi | 1 | 3.0 | 0/1 | 82.7s |
| #38 | Gemma 4 26B A4B medium | 1 | 3.0 | 0/1 | 180.9s | |
| #39 | HY3 Preview low | Tencent | 1 | 3.0 | 0/1 | 41.7s |