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
133/133
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #42 | Grok Build 0.1 medium | X AI | 1 | 3.0 | $0.927 | 0/1 | 53.5s |
| #43 | Kimi K2.5 medium | Moonshot AI | 1 | 3.0 | $0.348 | 0/1 | 83.9s |
| #44 | Mercury 2 medium | Inception | 1 | 3.0 | $0.058 | 0/1 | 2.58s |
| #45 | GPT-5.3 Chat none | OpenAI | 1 | 3.0 | $0.433 | 0/1 | 4.38s |
| #46 | GPT-5.4 Nano medium | OpenAI | 1 | 3.0 | $0.107 | 0/1 | 4.81s |
| #47 | Qwen3.6 Flash medium | Qwen | 1 | 3.0 | $0.288 | 0/1 | 122.9s |
| #48 | DeepSeek V3.2 medium | DeepSeek | 1 | 3.0 | $0.044 | 0/1 | 84.0s |
| #49 | Claude Opus 4.7 none | Anthropic | 1 | 3.0 | $0.505 | 0/1 | 1.46s |
| #50 | Seed-2.0-Mini medium | Bytedance Seed | 1 | 3.0 | $0.044 | 0/1 | 56.8s |
| #51 | MiMo-V2.5-Pro medium | Xiaomi | 1 | 3.0 | $0.106 | 0/1 | 12.5s |
| #53 | Grok 4.20 medium | X AI | 1 | 3.0 | $0.609 | 0/1 | 63.5s |
| #54 | Hy3 preview medium | Tencent | 1 | 3.0 | $0.021 | 0/1 | 39.9s |
| #55 | Claude Sonnet 4.6 none | Anthropic | 1 | 3.0 | $0.316 | 0/1 | 4.67s |
| #56 | GLM 5V Turbo medium | Z.ai | 1 | 3.0 | $0.457 | 0/1 | 41.0s |
| #58 | DeepSeek V4 Pro none | DeepSeek | 1 | 3.0 | $0.034 | 0/1 | 5.76s |