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) |
|---|---|---|---|---|---|---|
| #40 | Gemini 3.1 Flash Lite Preview none | 1 | 3.0 | 0/1 | 814ms | |
| #41 | GPT-5.2 Chat none | OpenAI | 1 | 3.0 | 0/1 | 6.89s |
| #42 | Kimi K2.6 medium | Moonshot AI | 1 | 3.0 | 0/1 | 130.3s |
| #43 | Step 3.5 Flash medium | Stepfun | 1 | 3.0 | 0/1 | 108.4s |
| #44 | Gemini 3.1 Flash Lite low | 1 | 3.0 | 0/1 | 1.46s | |
| #45 | Qwen3.5-Flash medium | Qwen | 1 | 3.0 | 0/1 | 49.0s |
| #46 | GPT-5.3 Chat none | OpenAI | 1 | 3.0 | 0/1 | 4.38s |
| #47 | GLM 5.1 medium | Z.ai | 1 | 3.0 | 0/1 | 29.4s |
| #48 | DeepSeek V4 Flash high | DeepSeek | 1 | 3.0 | 0/1 | 54.5s |
| #49 | GLM 5V Turbo medium | Z.ai | 1 | 3.0 | 0/1 | 41.0s |
| #50 | Qwen3.6 Flash medium | Qwen | 1 | 3.0 | 0/1 | 122.9s |
| #52 | Claude Opus 4.6 medium | Anthropic | 1 | 3.0 | 0/1 | 63.2s |
| #53 | GPT-5.4 Nano medium | OpenAI | 1 | 3.0 | 0/1 | 4.81s |
| #54 | Qwen3.6 Max Preview none | Qwen | 1 | 3.0 | 0/1 | 1.97s |
| #55 | MiMo-V2-Flash medium | Xiaomi | 1 | 3.0 | 0/1 | 1.96s |