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) |
|---|---|---|---|---|---|---|---|
| #110 | Owl Alpha none | Openrouter | 1 | 3.0 | $0.000 | 0/1 | 2.50s |
| #111 | Kimi K2.6 none | Moonshot AI | 1 | 3.0 | $0.079 | 0/1 | 1.36s |
| #112 | GPT-5.4 none | OpenAI | 1 | 3.0 | $0.122 | 0/1 | 990ms |
| #114 | Mimo V2 Omni none | Xiaomi | 1 | 3.0 | $0.021 | 0/1 | 1.30s |
| #115 | Grok 4.1 Fast medium | X AI | 1 | 3.0 | $0.069 | 0/1 | 25.5s |
| #116 | GLM 5.1 none | Z.ai | 1 | 3.0 | $0.058 | 0/1 | 2.34s |
| #117 | DeepSeek V4 Flash none | DeepSeek | 1 | 3.0 | $0.007 | 0/1 | 3.07s |
| #118 | Kimi K2.5 none | Moonshot AI | 1 | 3.0 | $0.027 | 0/1 | 3.90s |
| #119 | MiMo-V2.5-Pro none | Xiaomi | 1 | 3.0 | $0.017 | 0/1 | 1.89s |
| #120 | Qwen3.6 27B none | Qwen | 1 | 3.0 | $0.028 | 0/1 | 4.03s |
| #121 | Gemma 4 26B A4B none | 1 | 3.0 | $0.004 | 0/1 | 778ms | |
| #122 | Qwen3.5 Plus 2026-04-20 none | Qwen | 1 | 3.0 | $0.032 | 0/1 | 33.3s |
| #123 | GLM 5 Turbo none | Z.ai | 1 | 3.0 | $0.047 | 0/1 | 2.37s |
| #124 | GPT-5.4 Mini none | OpenAI | 1 | 3.0 | $0.038 | 0/1 | 1.33s |
| #125 | Qwen3.5-122B-A10B none | Qwen | 1 | 3.0 | $0.020 | 0/1 | 295ms |